Le développement de compétences professionnelles par des enseignants en exercice : le cas de l’évaluation des apprentissages
Bibliographic record
Abstract
Dans le contexte de la mise en oeuvre de programmes par compétences en enseignement secondaire au Québec, nous analysons le processus de construction de savoirs professionnels d’enseignants du secteur de l’éducation des adultes, dans le cadre d’une recherche-formation collaborative qui a duré deux ans et qui était centrée exclusivement sur le développement de la compétence professionnelle à évaluer les apprentissages. Les enseignants y étaient invités à se former pour former leurs pairs. À partir de l’analyse de contenu d’extraits d’échanges ayant eu lieu durant quatre journées de formation sur un ensemble de vingt-sept, nous avons réalisé, une fois le projet terminé, une étude visant à repérer les mécanismes par lesquels les participants attribuent une valeur aux savoirs de formation. L’étude a révélé la difficulté des enseignants à construire des savoirs professionnels de référence, alors que les savoirs issus de leur expérience jouissenta priorid’une crédibilité et d’une légitimité plus grandes que les savoirs construits dans un espace de formation. Ce constat nous amène à interroger les conditions de développement de compétences professionnelles par des enseignants en exercice.
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 | 0.010 | 0.017 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".