Ingénieries didactiques coopératives et coenseignement pour contribuer à une scolarisation inclusive
Bibliographic record
Abstract
En France, dans l’école inclusive encore naissante, il existe un système de scolarisation à plusieurs voies. Les élèves « à besoins éducatifs particuliers » sont plus souvent scolarisés en classe « ordinaire ». Toutefois, les élèves « en situation de handicap » peuvent aussi être soutenus par un dispositif mené par un enseignant spécialisé ou une enseignante spécialisée. L’unité localisée pour l’inclusion scolaire est alors envisagée comme unsystème didactique auxiliairedusystème didactique centralqu’est la classe. Nous proposons, dans cet article, deux études de cas, l’une en école élémentaire (élèves de 9 ans), l’autre au collège (élèves de 15 ans). Dans chaque étude, quelques élèves en situation de handicap sont scolarisés en classe « ordinaire », avec le soutien d’une unité localisée pour l’inclusion scolaire. L’enseignante spécialisée ou l’enseignant spécialisé de l’unité localisée et celle ou celui de la classe coenseignent; chaque personne spécialisée mène également un atelier au sein de l’unité localisée pour l’inclusion scolaire. De quelle manière sont alors articulés les systèmes didactiques? En quoi le travail dans chaque dyade enseignante engage-t-il ces acteurs vers des pratiques conjointes? Deux principaux résultats sont mis au jour. Les instances que sont les réunions d’ingénierie didactique coopérative et le coenseignement sont des vecteurs puissants de modification des pratiques inclusives.
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 | 0.008 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.017 | 0.009 |
| Scholarly communication | 0.012 | 0.005 |
| Open science | 0.002 | 0.015 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.018 | 0.002 |
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".