Des logiciels audio-vidéo à l’enseignement de l’éducation musicale dans l’enseignement secondaire français
Bibliographic record
Abstract
Les programmes d’éducation musicale et de chant choral du collège en France publiés entre 1995 et 2008 démontrent que les pratiques de l’enseignement assisté par ordinateur (EAO) ont très rapidement évolué, notamment grâce aux progrès des outils créés pour la musique assistée par ordinateur (MAO). L’effet conjugué de l’EAO et de la MAO a permis d’explorer de nouvelles pratiques pédagogiques qui ont profondément modifié les rapports didactiques des professeurs à l’apprentissage musical au collège. Cet article fait état de l’analyse rétrospective de l’expérience d’un collectif de professeurs d’éducation musicale et de chant choral français au début des années 2010. Cette recherche-action a été réalisée à partir des séquences de cours élaborées par les professeurs regroupés en petites équipes au sein du collectif et utilisant uniquement des logiciels libres de droits pour observer l’impact de la MAO sur les apprentissages musicaux des élèves. Il s’agit de montrer comment ces nouvelles technologies utilisées en éducation musicale permettent de développer l’intérêt des élèves et de les engager plus activement dans des apprentissages musicaux. Cet article rend compte de cette recherche didactique et pédagogique en la resituant dans le contexte des travaux réalisés et publiés à cette époque et en propose une étude critique à l’aide de certaines caractéristiques propres aux théories de l’activité.
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 | 0.004 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.016 | 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".