Coenseigner en milieu de formation initiale pour former aux pratiques collaboratives
Bibliographic record
Abstract
Dans la perspective d’une école inclusive, le coenseignement est reconnu comme une voie féconde pour la prise en charge des élèves à besoins éducatifs particuliers. Comme formatrices et formateurs soucieux de participer à la construction d’une école inclusive, qu’est-il possible de faire du moment que ni les conditions sur le terrain ne sont propices à la co-intervention ni qu’il est souhaitable d’imposer une pratique de coenseignement alors que le contenu du cours dont on a la charge n’en est pas l’objet? Ce texte a pour objectif d’identifier à quel point le fait de suivre un dispositif de formation assuré par diverses formes de coenseignement en institut de formation détermine ou non l’ouverture du futur personnel enseignant à en faire de même dans sa pratique. Notre résultat montre que le coenseignement semble plutôt perçu comme une ressource pour le développement professionnel, un moyen à disposition pour répondre aux défis que pose l’inclusion scolaire si les conditions préalables sont réunies – à savoir, avant tout, une bonne entente avec les collègues. Sans pouvoir généraliser nos résultats, on peut faire l’hypothèse que la mise en place d’un coenseignement semble pertinente en formation initiale pour inciter de futures enseignantes et futurs enseignants du secondaire à sa mise en oeuvre dans leurs écoles.
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 | 0.010 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.019 | 0.013 |
| Scholarly communication | 0.020 | 0.016 |
| Open science | 0.003 | 0.023 |
| Research integrity | 0.004 | 0.007 |
| Insufficient payload (model declined to judge) | 0.029 | 0.007 |
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".