Postures épistémiques d’enseignants-tuteurs en contexte d’apprentissage par problèmes (APP) : les cas de la médecine et du génie
Bibliographic record
Abstract
Les innovations pédagogiques majeures mises en place par certains programmes amènent les enseignants à devoir changer de rôles (Bédard & Béchard, 2009). Nous avons formulé l’hypothèse que leur capacité à aligner leurs interventions avec les préceptes pédagogiques de l’innovation est en bonne partie tributaire de leur posture intellectuelle, au sens de Perry (1970, 1981). Afin de vérifier la valeur de cette hypothèse, nous avons rencontré 13 enseignants-tuteurs intervenant dans deux programmes de 1er cycle ayant adopté l’apprentissage par problèmes (APP) : un programme de médecine et un programme de génie. À la suite de l’analyse des données collectées par des entrevues semi-dirigées, des observations et des entretiens d’auto-confrontation, nous constatons tout d’abord que les enseignants-tuteurs de médecine et de génie n’adoptent pas la même posture épistémique, en tout cas lors des observations en classe. Ces résultats s’expliquent en partie par la manière dont l’APP a été mis en œuvre dans chacun des programmes. D’autres éléments comme le groupe d’étudiants (7 à 12 personnes) et la situation-problème permettent également d’expliquer cet écart, bien que de façon mineure. Enfin, nous constatons que le discours des enseignants-tuteurs (entrevues semi-dirigées) est, la majorité du temps, cohérent avec leurs actions (observations) et qu’ils sont généralement conscients de la posture qu’ils adoptent (entretiens d’auto-confrontation). Celle-ci est par ailleurs en cohérence avec le style d’animation (Vierset, Bédard & Foidart, 2009) qu’ils mettent en place lors des deux séances d’APP.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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 teacher head, 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".