Les rencontres singulières entre les élèves présentant des difficultés d’apprentissage en mathématiques et leurs enseignants
Bibliographic record
Abstract
La question des difficultés d’apprentissage en mathématiques d’un nombre important d’élèves et des mesures à mettre en place pour transformer cette situation est un objet sensible dans tout système éducatif. Elle est aussi, depuis plusieurs décennies, au centre des préoccupations d’un grand nombre de chercheurs. Pour rendre compte de la complexité du traitement de cette question, nous avons choisi de répondre aux questions suivantes : Comment le traitement de cette question a-t-il évolué depuis les dernières décennies? Quelles sont les théories et les recherches qui ont marqué cette évolution? Comment l’enseignement des mathématiques en adaptation scolaire a-t-il évolué ou se positionne-t-il en regard de l’enseignement des mathématiques en classes régulières? Quelles sont les avenues prometteuses d’enseignement aux élèves présentant des difficultés d’apprentissage en mathématiques? Quelles sont les difficultés auxquelles sont confrontés les enseignants en adaptation scolaire? Quelles sont les attentes et les pratiques en classes régulières et spéciales des futurs enseignants en adaptation scolaire? Comment évoluent-elles au cours de leur formation? Les réponses que nous proposons prennent appui sur des recherches réalisées en psychologie, en éducation et en didactique des mathématiques, et sur certaines des expériences que nous avons nous-mêmes effectuées.
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 | 0.008 | 0.039 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.006 |
| Scholarly communication | 0.012 | 0.010 |
| Open science | 0.001 | 0.009 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.028 | 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".