Robots de sol et robots humanoïdes à l'école primaire (descriptif d’atelier)
Bibliographic record
Abstract
Cet atelier a pour objectif de présenter un bref aperçu des outils robotiques utilisés à l'école primaire en les liant aux différentes formes d'apprentissages. L'accent est mis tant sur les apprentissages liés à la programmation informatique que sur ceux d'ordre transversal. Dans ce cadre, les fonctionnalités et les affordances principales des robots éducatifs de deux grandes catégories de robotique éducative, les robots de sol (mobiles préconstruits comme BeeBot ou BlueBot) et les robots humanoïdes (comme Nao) sont d'abord présentées. Ensuite, au biais d'une approche didactique, notre analyse s'intéresse aux scénarios à concevoir pour introduire les outils robotiques dans les apprentissages à l'école primaire. Cette scénarisation met l'accent sur les concepts à construire (tels que les concepts de programmation informatique ou de robotique pédagogique) et les compétences à développer (telles que la pensée computationnelle et la résolution de problèmes) à partir des séquences d'activités didactiques adéquates. Enfin, les scénarios conçus sur place sont présentés et analysés en les confrontant aux résultats obtenus pendant les usages des robots dans des situations réelles en classe. Liste du matériel : robots de sol (BeeBot et BlueBot), robots humanoïdes (Nao) 1 Phases de l'atelier 1re phase : Présentation sommaire des fonctionnalités et des affordances principales des deux catégories d'outils robotiques : a) Robots de sol programmables (BeeBot et BlueBot), b) Robots humanoïdes (Nao). 2e phase : Conception participative des scénarios (en deux groupes selon les outils robotiques) à appliquer dans des différentes situations didactiques (objectifs visés, exemples d'activités proposées, etc.) à partir d'une grille de scénarisation adéquate. 3e phase : Discussion sur les apprentissages attendus des scénarios basée sur une analyse réflexive à partir des résultats obtenus par les investigateurs de l'atelier 2 Public visé Enseignants de l'école maternelle et de l'école élémentaire, enseignants de l'informatique, étudiants et chercheurs en didactique de l'informatique 3 Déroulement Chaque groupe, accompagné par des animateurs de l'atelier, prend d'abord connaissance de l'outil robotique (10 à 15 minutes par outil) et de ses affordances principales, ensuite, par une démarche participative il conçoit à partir d'une grille de scénarisation les grandes lignes d'un scénario éducatif (objectifs, activités à proposer, problèmes didactiques à résoudre, etc.) pendant une trentaine de minutes et, enfin, le scénario conçu est discuté et commenté par les animateurs à partir de leur expérience d'applications des scénarios robotiques dans des situations réelles (15 minutes par scénario).
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.025 | 0.005 |
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".