Interactions de connaissances et investissement de savoir dans l’enseignement des mathématiques en institutions et classes spécialisées
Bibliographic record
Abstract
L’objet principal de mes études dans l’enseignement spécialisé (ES) sont les situations et leur dynamique que j’essaye d’aborder en examinant les interactions de connaissances qui les traversent et les investissements de savoirs qu’elles actualisent. Je cherche à comprendre comment les situations sont à la fois supports, cadres et moteurs des apprentissages qui se déroulent dans les institutions ES, que ces apprentissages soient provoqués ou non, prévus ou au contraire fortuits. Pour ce faire, je ne me contente pas de construire des situations isolées et ad hoc, mais me concentre sur l’étude d’un suivi de situations. Ce ne sont pas exactement des séquences de situations comme les étudie la théorie des situations didactiques en ce sens qu’elles ne sont pas pensées d’avance en fonction d’un objectif de savoir préalablement fixé. J’étudie des situations non seulement du point de vue de leur développement interne, mais encore du point de vue des suivis de situations qu’elles permettent de générer. Cette communication définit ces nouvelles expressions et donne des exemples de divers aspects de la question.
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 | 0.005 | 0.022 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.006 |
| Scholarly communication | 0.008 | 0.008 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.016 | 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".