Formation collective et individualisée à la planification pédagogique : Quels résultats par rapport à la rédaction progressive d’un plan de cours ?
Bibliographic record
Abstract
Cette proposition de communication porte sur le cours « Description et analyse critique de pratiques d’enseignement et d’évaluation », commun aux formations CAPAES et Formasup organisées à l’Université de Liège. Le cours aborde les thématiques pédagogiques jugées incontournables pour la planification d’un dispositif d’enseignement. Les thématiques sont traitées par le biais des représentations spontanées des enseignants-participants et grâce à divers modèles et théories. Leur appropriation est évaluée grâce à la rédaction d’un plan de cours qui décrit et justifie théoriquement le dispositif créé par l’enseignant. La rédaction du plan de cours se déroule en trois temps. D’abord, chaque enseignant fournit une version spontanée rédigée en autonomie. Cette version correspond souvent à la fiche signalétique imposée par la Haute Ecole. Ensuite, un canevas et des consignes de rédaction sont communiqués. Les enseignants soumettent une version retravaillée de leur plan de cours pour évaluation formative. Ils reçoivent alors des commentaires individualisés et collectifs leur permettant de finaliser leur production pour l’évaluation certificative. Afin d’observer comment les enseignants exploitent les ressources mises à leur disposition, nous avons analysé, à l’aide de critères préétablis, les trois versions du plan de cours de huit enseignants inscrits à la formation en 2014-2015. Notre communication portera sur cette analyse et les constats qui en résultent concernant l’efficacité de notre approche. Nous pouvons déjà affirmer que chaque enseignant progresse dans la rédaction des objectifs, méthodes et évaluations associés à son cours. Les modèles pédagogiques choisis pour structurer ces rubriques contribuent à clarifier le projet pédagogique et à en renforcer la cohérence. L’étape de l’évaluation formative est décisive car elle permet d’identifier les faiblesses et de les mettre en relation avec les thématiques abordées en formation. Les rubriques jugées insatisfaisantes sont alors revues par l’enseignant et le passage à un niveau de qualité supérieur est presque toujours garanti. Berthiaume D. & Rege Colet N. (2013). La pédagogie de l’enseignement supérieur : repères théoriques et applications pratiques. Peter Lang (Bern). Leduc L. (2013). Rédiger des plans de cours. De la théorie à la pratique. De Boeck Supérieur (Bruxelles). Prégent R ., Bernard H. & Kozanitis A. (2009). Enseigner à l’université dans une approche-programme. Guide à l’intention des nouveaux professeurs et chargés de cours. Presses internationales Polytechnique (Québec). Svinicki M. & McKeachie W. J. (2011). McKeachie’s Teaching Tips. Strategies, Research, and Theory for College and University Teachers. Wadsworth (Belmont, USA), 13th edition.
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 | 0.012 | 0.024 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.007 | 0.025 |
| Scholarly communication | 0.015 | 0.019 |
| Open science | 0.002 | 0.010 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.014 | 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".