L’effet-tuteur dans l’accompagnement des élèves présentant un trouble neurodéveloppemental
Bibliographic record
Abstract
Plusieurs travaux portant sur la réussite scolaire ont mis l’accent sur les facteurs d’impact et les gestes favorisant une mobilisation adéquate des approches d’enseignement. Les communautés éducatives à travers le monde exposent d’innombrables ressources en vue d’ajuster les pratiques enseignantes sur le terrain. Elles aident aussi à trouver des moyens pour rendre visibles les apprentissages des élèves. Leurs préoccupations convergent aussi autour des rôles déterminants joués par les enseignants. Ces derniers assurent aussi la mission de connecter les systèmes éducatifs aux technologies nouvelles. Le processus de médiation symbolique relié aux fonctions de tuteurs produit des effets transformateurs relevant de quelques facteurs de protection. Le contexte d’utilisation de la technologie est variable, à l’école, à la maison comme dans la communauté. Une recherche exploratoire a été menée concernant l’encadrement des élèves présentant un trouble neurodéveloppemental. Associant la recension des travaux scientifiques à des entrevues semi-dirigées (élève, parent, enseignant), ce texte met en évidence les atouts de l’effet-tuteur, considéré comme une force dans l’accompagnement des élèves.
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 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".