Quand la didactique professionnelle vient en aide à l'approche par compétences
Bibliographic record
Abstract
Au cours des dernières décennies, pour entre autres rénover le métier enseignant, plusieurs systèmes éducatifs, dont celui du Maroc, du Québec et de la France, ont introduit des réformes des programmes d’enseignement et de formation selon l’approche par compétences (APC). Cette approche, qui vise le développement des compétences professionnelles chez les enseignants, par exemple, pointe l’efficacité dans l’exécution de tâches précises et la mobilisation d’un ensemble de ressources, dont des savoirs de la pratique formalisés. Or, l’opérationnalisation de l’APC a des conséquences sur les dispositifs d’enseignement et de formation, et soulève par conséquent plusieurs questionnements. Il se pose par exemple la question de concevoir les savoirs professionnels en jeu comme un système complexe, celle de l’approche qui tiendrait compte de la multidimensionnalité de ces savoirs et celle de l’inscription de la formation professionnalisante attendue dans une logique d’action et de situation. Si, au Maroc, l’opérationnalisation de l’APC n’a pas eu le succès escompté, ces dernières années, dans une perspective de développement des compétences et pour des préoccupations entre autres pédagogiques et de professionnalisation, certaines institutions éducatives, de la France et en Belgique, font appel à la didactique professionnelle (DP). La finalité première de cet article est de discuter du comment la DP peut venir en aide à l’APC.
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 | 0.017 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.007 | 0.019 |
| Scholarly communication | 0.014 | 0.010 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.004 | 0.007 |
| Insufficient payload (model declined to judge) | 0.016 | 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".