Conceptualisation, symbolisation et interactions enseignante/enseignant-élèves dans les apprentissages mathématiques : l’exemple de la généralisation
Bibliographic record
Abstract
Partant de la définition de l’apprentissage et des objets mathématiques selon Radford (2008), cet article propose une réflexion sur l’interdépendance des objets mathématiques, leurs symbolisations et les interactions sociales dans le processus d’apprentissage. Il vise à interroger la manière dont s’articulent ces trois composantes indissociables et présente, sur cette base, un modèle intégratif de l’apprentissage des mathématiques. Il vise à examiner en particulier l’importance des interactions entre l’enseignant ou l’enseignante et les élèves. Si l’importance des interactions sociales est démontrée depuis de nombreuses années, ce sont en effet principalement les interactions entre les élèves qui ont été étudiées (Schubauer-Leoni et Perret-Clermont, 1997; Iiskala, Vauras, Lehtinen et Salonen, 2011). Ce n’est qu’assez récemment que l’importance des interactions entre l’enseignant ou l’enseignante et les élèves a été mise en évidence. Dans notre article, nous proposons donc d’analyser plus particulièrement les interactions entre l’enseignant ou l’enseignante et les élèves, dans le contexte d’une activité de généralisation en algèbre. Nous montrons l’importance d’interventions de qualité de la part de l’enseignant, sur la base du modèle de Jacobs et al. (2010, dans Callejo et Zapareta, 2016), pour faire émerger les savoirs mathématiques des pratiques sociales de la classe.
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 | 0.004 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.003 | 0.017 |
| Scholarly communication | 0.009 | 0.013 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.008 | 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".