L’inclusion des perspectives autochtones dans le programme d’immersion française en Colombie-Britannique : les succès d’enseignants et d’enseignantes allochtones
Bibliographic record
Abstract
Dans cet article, nous présentons les résultats d’une recherche exploratoire menée dans le cadre de notre recherche doctorale auprès d’enseignants et d’enseignantes allochtones du programme d’immersion française qui doivent inclure les perspectives autochtones dans leur pratique depuis le renouvellement du programme scolaire en 2016, en Colombie-Britannique. Lors d’entrevues semi-dirigées, les enseignants et les enseignantes ont discuté des défis et des succès de l’intégration des perspectives autochtones dans leur pratique. Cet article se concentre plus spécifiquement sur les succès partagés lors de la collecte de données. Quatre catégories de succès ont émergé de l’analyse, c’est-à-dire l’intégration des perspectives autochtones par le biais : 1) des compétences essentielles du curriculum renouvelé; 2) de la littérature; 3) de l’apprentissage expérientiel; 4) des rencontres avec des personnes autochtones. Dans cet article, nous présentons l’analyse des données de deux des quatre catégories, à savoir celles liées à l’apprentissage expérientiel et aux rencontres avec des personnes autochtones.
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 | 0.015 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.010 | 0.013 |
| Scholarly communication | 0.011 | 0.005 |
| Open science | 0.001 | 0.009 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.011 | 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".