État des conditions qui favorisent l'intégration des technologies de l'information et de la communication en adaptation scolaire au primaire et au secondaire selon les perceptions des enseignantes et des enseignants du Québec
Bibliographic record
Abstract
Les recherches menées en éducation permettent de constater que les technologies de l'information et de la communication ont des effets positifs sur plusieurs dimensions de l'élève. Pourtant, dans ce domaine, l'implantation de la micro-informatique s'effectue lentement. Le projet de recherche trace le portrait des conditions qui favorisent l'intégration des TIC en adaptation scolaire et démontre dans quelle mesure elles sont présentes selon les perceptions des enseignants au Québec. Les sujets sont des enseignants en adaptation scolaire à la commission scolaire de Montréal (CSDM). Le questionnaire et l'entrevue semi-structurée ont été utilisés pour la collecte de données. Les résultats de l'enquête sont présentés à partir d'une analyse quantitative et qualitative. Ils démontrent que des efforts ont été déployés pour fournir aux écoles des ressources matérielles et pour développer des attitudes et perceptions positives chez les enseignants. Cependant, les enseignants réclament davantage de formation ainsi qu'un soutien technique et pédagogique continu.
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 | 0.005 | 0.018 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 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".