Apprendre à lire, à écrire et à parler de sciences : un modèle pour guider la croissance d’une communauté d’apprentissage didactique
Bibliographic record
Abstract
Apprendre à lire, à écrire et à parler de sciences : un modèle pour guider la croissance d'une communauté d'apprentissage didactique Liliane Dionne Université d'Ottawa RésuméLa communauté d'apprentissage « didactique » visant spécifiquement le développement professionnel des enseignants en sciences nécessite que des études plus approfondies soient effectuées pour mieux accompagner les praticiens dans l'ajustement de leur répertoire de pratiques en enseignement des sciences et de la technologie.Une analyse critique du concept de littératies multiples fournit certaines assises pour orienter ces communautés d'apprentissage didactiques en sciences et en technologie, en fournissant des modèles et des outils pour guider l'accompagnement.Étant orienté spécifiquement vers les sciences, le modèle « d'Investigation guidée pour le développement des littératies multiples » (IGdLM) est susceptible d'inspirer les enseignants (Palincsar, Magnusson, Marano, Ford et Brown, 1998) au sein d'une communauté d'apprentissage didactique.Travailler conjointement à développer des pratiques pédagogiques qui incitent les élèves à lire, écrire et parler de sciences peut guider l'enseignant pour améliorer l'apprentissage des sciences en classe (Lemke, 1990).Ce texte aborde également le contexte minoritaire francophone en Ontario et le double défi qu'il présente pour les enseignants qui désirent ajuster leur répertoire de pratiques dans le domaine des sciences et de la technologie.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.016 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.009 | 0.027 |
| Scholarly communication | 0.019 | 0.017 |
| Open science | 0.003 | 0.010 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".