Approche pédagogique pour la littératie et la numératie chez les jeunes autochtones du Canada : Quelle perspective en période de pandémie?
Bibliographic record
Abstract
En mars 2020, la pandémie de Covid19 a conduit à la suspension des classes et de toutes les activités scolaires par les autorités gouvernementales pour aider à contenir la propagation du virus. L’éducation est l’un des secteurs concernés par ces mesures strictes. Les enseignants devaient passer aux méthodes d'apprentissage à distance. Néanmoins, tous les élèves n'avaient pas le soutien nécessaire afin de participer activement aux cours en ligne, à partir de leurs domiciles. Cela en ajoute aux problèmes, car il est reconnu que, par rapport à la population générale, les enfants autochtones ont plus de difficultés d'apprentissage. Le retard langagier, par exemple, est entre autres des problèmes longtemps notifiés chez les enfants autochtones des écoles élémentaires de la communauté de Flin Flon, dans le nord du Manitoba. Même si la cause de ce handicap n’est toujours pas déterminée, une approche pédagogique est nécessaire pour les aider à cheminer et à atteindre, peu soit-il, les objectifs académiques, à l’instar des autres élèves. Cet article tente de réfléchir sur la nécessité de développer les approches d’apprentissage plus adaptées aux conditions des élèves autochtones, tenant compte de l’éducation à distance, dans le contexte de cette pandémie. Des spécialistes dans le domaine de l’éducation, des éducateurs, administrateurs ainsi que des parents devraient être conviés à examiner les paramètres associés au retard langagier, d’une part et aux difficultés d'apprentissage chez les enfants autochtones, d’autre part. Un tel examen se pencherait à la réussite des jeunes autochtones autant dans les cours de type traditionnel (salle de classe) que dans les cours dispensés en ligne, tout en cogitant sur les perspectives d’autres approches utiles.
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.008 | 0.004 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 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".