En quoi la diversité des stratégies pédagogiques participe-t-elle à la motivation à apprendre des étudiants ? Etude d’un cas particulier
Bibliographic record
Abstract
Plusieurs chercheurs en éducation soutiennent qu’une pluralité de stratégies pédagogiques permet de profiter des avantages de chacune d’entre elles. En effet, selon Sauvé, Debeurme, Wright, Fournier et Fontaine (2007), des activités pédagogiques diversifiées offrent aux étudiants la possibilité de faire des choix et d’enrayer la routine tout en favorisant leur motivation à apprendre. Pourtant, cette pluralité de stratégies pédagogiques utilisée dans le cadre d’un même cours en lien avec la motivation à apprendre des étudiants qui en bénéficient reste peu documentée. En réponse à ce manque, cet article décrit le cas d’un professeur universitaire qui utilise plusieurs stratégies pédagogiques dans son enseignement. Les résultats de cette étude de cas, menée à l’aide d’un entretien avec le professeur, de 12 heures d’observation en classe, d’un questionnaire sur la motivation administré à trois reprises à tous les étudiants du groupe et d’entretiens menés avec dix d’entre eux, démontrent entre autres que l’enseignement dispensé par cet enseignant, en plus d’être diversifié, est motivant pour les étudiants. En effet, Carlos sort du cadre de l’enseignement traditionnel en utilisant 14 stratégies pédagogiques différentes dans son cours, offrant des occasions d’apprentissage variées qui suscitent fortement la motivation de ses étudiants. L’article présente et discute des facteurs qui contribuent à ce niveau élevé de motivation des étudiants en accordant une place importante aux stratégies pédagogiques.
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 | 0.007 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 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".