Facteurs environnementaux et intérêt situationnel : quels rôles sur le changement conceptuel en sciences?
Bibliographic record
Abstract
L’intérêt des élèves pour les sciences continue de décliner (Potvin & Hasni, 2014). Parmi les deux types d’intérêts, à savoir l’intérêt individuel et l’intérêt situationnel (IS), ce dernier présente l’avantage de pouvoir être déclenché et maintenu grâce à des activités et matériels stimulants. Par ailleurs, l’IS se révèle un facteur motivationnel important dans la promotion du changement conceptuel. Le but principal de cette étude était d’évaluer un modèle dans lequel les facteurs environnementaux (travail d’équipe, présence d’expert et choix) influençaient l’IS et qui à son tour, prédisait le changement conceptuel en thermodynamique. Quarante-deux élèves de la 7e année ont participé à l’étude. D’une part, les résultats de l’approche bayésienne de l’analyse factorielle confirmatoire du Situational Interest Survey (Linnenbrink-Garcia et al., 2010) indiquaient l’existence de l’IS déclenché et de l’IS maintenu différencié en composantes sentiment et valeur. D’autre part, l’approche bayésienne de l’analyse de parcours montrait un effet de la présence d’un expert sur la composante valeur de l’IS maintenu. Cependant, aucune des trois composantes de l’IS ne prédisait le changement conceptuel. Sur le plan scientifique, cette étude est la première à notre connaissance à mener une recherche cumulative sur le changement conceptuel grâce aux statistiques bayésiennes. Sur le plan social, cette recherche s’avère pertinente, car elle dote les enseignants d’une stratégie pour influencer l’IS en sciences et leur informe de sa limite à promouvoir le changement conceptuel.
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 | 0.011 | 0.020 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.007 |
| Scholarly communication | 0.009 | 0.009 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.008 | 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".