Mettre en place des conditions gagnantes pour favoriser l’apprentissage : un atout pour la diététiste/nutritionniste
Bibliographic record
Abstract
La diététiste/nutritionniste, peu importe son champ de pratique, est toujours appelée à travailler au développement de compétences des personnes avec lesquelles elle collabore (clients, patients, employés). Ce développement de compétences, sans s’y limiter, exige l’acquisition de connaissances, qu’on souhaitera favoriser. L’approche cognitive reconnaît la complexité des aspects socioculturels de l’apprentissage, lesquels sont étroitement liés à l’acquisition de connaissances. Ainsi, les professionnels de la santé ont avantage à tirer profit de ce que proposent les sciences cognitives dans leurs interventions et leur planification. La prise en considération des acquis des individus et des groupes et la structuration des connaissances autour de tâches concrètes et authentiques sont deux types de conditions qui peuvent être mises en place afin de favoriser le développement de compétences. Concrètement, le respect de ces conditions se traduit par la sélection et l’utilisation de stratégies pédagogiques appropriées, dans une intervention individuelle comme de groupe. Les questions, le dialogue, les analogies, les exemples, les schémas et graphiques, les mises en situation, les jeux de rôles et les exercices sont tout autant de stratégies à exploiter pour faciliter l’apprentissage. Bien que parfois utilisées de façon intuitive, le professionnel gagne à en saisir le fondement afin d’en faire une sélection et une mise en œuvre judicieuses.
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 | 0.008 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.008 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.010 | 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".