Coenseignement orthopédagogue-enseignante et orthopédagogue-enseignant : l’expérience de trois écoles primaires montréalaises
Bibliographic record
Abstract
Au Québec, la réussite éducative des élèves en contexte de diversité implique une mobilisation croissante de l’ensemble des personnes oeuvrant en milieux scolaires et des changements dans l’organisation des services éducatifs. Dans ce contexte, les modèles de services s’appuyant sur la collaboration professionnelle, comme les modèles de coenseignement, proposent de nouvelles avenues afin de répondre aux besoins de tous les élèves, notamment au primaire. La présente recherche avait pour but de soutenir et de décrire les pratiques de coenseignement mises en oeuvre par des orthopédagogues et des enseignantes et enseignants. Des facilitateurs et des obstacles au coenseignement ont également émergé, et des pistes ont été proposées afin de permettre à d’autres écoles d’expérimenter le coenseignement orthopédagogue-enseignante et orthopédagogue-enseignant dans le futur. Le partage d’expertise professionnelle complémentaire, le respect mutuel ainsi que le temps accordé à la coplanification, à la concertation et à la rétroaction sont à privilégier pour que ce type de coenseignement soit réussi. Les orthopédagogues sont ainsi amenés à élargir leurs pratiques et à modéliser des stratégies enseignées à tous les élèves d’un groupe-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 | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.019 | 0.008 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 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".