MIROIR, MIROIR? COMMENT PUIS-JE ME RATTRAPER POUR ENGAGER DES JEUNES EN GÉNIE?
Bibliographic record
Abstract
En Amérique du Nord, le besoin d’une relève d’élèves qui souhaite poursuivre des carrières en STIM est criant [3, 38, 48]. Les gouvernements de plusieurs pays, incluant le Canada, ont donc réalisé l’importance de l’enseignement en STIM et il est devenu évident qu’il y a un manque de compréhension de ce dernier [29]. Afin de faire avancer l’enseignement du génie dans les cours de sciences et mathématiques, nous avons mené une auto-ethnographie sur notre expérience comme enseignante de sciences et de mathématiques au palier secondaire. Nous sommes fières d’avoir été capables d’engager des élèves d’une diversité de genres aux activités d’apprentissage en STIM. Pourtant, nos activités ont été concentrées sur les sciences, les technologies et les mathématiques plutôt que sur l’ingénierie; une pratique qui doit changer afin d’inciter plus d’élèves à se diriger dans cette profession [42].
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 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.017 | 0.012 |
| Scholarly communication | 0.008 | 0.008 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.005 | 0.008 |
| Insufficient payload (model declined to judge) | 0.011 | 0.005 |
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".