Instruire ou étourdir les élèves?
Bibliographic record
Abstract
On remarque souvent dans les écrits dans le domaine de l’éducation une invitation à « varier son enseignement ». Si cette expression semble claire à première vue, elle devient vite ambigüe à la suite d’un examen un peu plus approfondi car les critères sur lesquels se base cette variation ne sont pas explicités. Tout se passe comme si varier les activités d’apprentissage est vu comme un principe qui a une valeur en soi, mais il ne constitue pas un principe d’action pertinent car il risque en effet de créer de la confusion en mettant sur le même pied des activités qui peuvent avoir des effets positifs ou négatifs selon les contextes d’enseignement. L’objectif de cet article est de formuler des critères de choix d’activités à la lumière des travaux sur l’enseignement explicite, notamment en ce qui concerne la gestion des apprentissages et la gestion de la classe. Le niveau de compétence des lèves, la complexité de la tâche à accomplir, le temps disponible et l’importance du contenu sont les critères retenus en ce qui concerne la gestion des apprentissages. Le maintien du vecteur d’action renvoie au critère lié à la gestion 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 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.007 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.030 | 0.008 |
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".