Modélisations de contextes pour l’apprentissage par effets de contextes : un exemple sur le sujet de la géothermie
Bibliographic record
Abstract
La prise en compte des contextes dans l’enseignement des sciences est un élément essentiel pour la compréhension des concepts scientifiques et la motivation des apprenants (King, 2012). En effet, les contextes externes des apprenants, au sens de leur environnement, participent à la construction de leurs conceptions (Van Wissen, Kamphorst et Van Eijk, 2013). Lorsque des décalages sont mis en évidence entre les conceptions d’apprenants issus de contextes différents ou entre la conception d’un apprenant et son observation du réel, on parle d’effets de contextes (Merlo-Leurette et Forissier, 2009). Les effets de contextes sont des phénomènes de rupture (De Vecchi, 1990) dans les apprentissages et peuvent prendre la forme d’affect lors d’interactions. Afin de favoriser la mise en place de pédagogies basées sur les effets de contextes, nous proposons de modéliser différents contextes géothermiques, et d’en calculer les écarts. Les écarts identifiés permettront de prévoir l’émergence d’effets de contextes lors d’un travail coopératif entre des étudiants de Montréal et de Guadeloupe. Nous décrivons par la suite une expérimentation pédagogique dont le scénario est basé sur les écarts modélisés. L’objectif est de décrire les apprentissages lors de l’expérimentation et d’identifier les effets de contextes afin d’améliorer leur caractérisation.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.006 |
| Scholarly communication | 0.007 | 0.008 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
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".