Apprendre aux futurs enseignants à faire analyser des documents en classe d’histoire : un « verrou d’apprentissage »?
Bibliographic record
Abstract
Depuis les années 60-70, en francophonie, les activités d’analyse de documents ont été promues dans l’enseignement de l’histoire, parallèlement à la mise en avant des finalités intellectuelles critiques et des finalités citoyennes assignées à cette discipline scolaire. La présente étude qui porte sur une cohorte de 19 étudiants futurs enseignants au terme de leur formation à l’Université de Liège (Belgique) indique que la compétence à concevoir des activités d’analyse documentaire est source de difficultés d’apprentissage majeures. L’approche Decoding the Disciplines (Middendorf & Pace, 2004; Pace, 2017) permet de les éclairer. Ces difficultés renvoient à l’existence de préconceptions qui mettent l’accent sur les finalités culturelles et civiques plutôt que sur les finalités intellectuelles critiques et citoyennes. Cette approche suggère également des pistes pour lever ces difficultés, essentiellement en rendant explicites et opérationnelles les tâches dont les étudiants doivent avoir la maîtrise, en explicitant et en débattant des conceptions de la discipline scolaire et en développant l’évaluation formative.
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 | 0.018 | 0.033 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.014 | 0.018 |
| Scholarly communication | 0.022 | 0.011 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.013 | 0.003 |
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".