Une analyse didactique de l'enseignement de la modélisation : le cas du modèle particulaire
Bibliographic record
Abstract
L’enseignement de la science présente plusieurs lacunes : des lacunes en lien avec le contenu scolaire, les activités scolaires et la nature de la science. Qu’en est-il de l’enseignement de la science au Québec par rapport à ces lacunes ? Pour répondre à ces questions, nous avons assimilé l’enseignement de la science à l’enseignement de la modélisation. En effet, « faire la science » revient essentiellement à une activité de modélisation, les scientifiques passent la majorité du temps à construire, à tester, à réviser et à utiliser des modèles scientifiques. Il est important de souligner que cette activité permet, d’une part, de construire les connaissances scientifiques et, d’autre part, de comprendre la nature de la science. Ainsi, l’objectif de cette thèse est d’analyser l’enseignement de la modélisation au Québec en vue de déterminer ses lacunes. Pour préciser cet objectif, nous avons choisi le cas particulier du modèle particulaire, car il est fondamental à l’univers matériel. Pour atteindre les objectifs de cette recherche, nous avons procédé en trois étapes. Dans la première étape, nous avons élaboré des critères de l’enseignement de la modélisation et de l’enseignement du modèle particulaire en s’appuyant sur plusieurs travaux de recherches effectués pour améliorer l’enseignement de la modélisation. Dans la deuxième étape, nous avons décrit l’enseignement de la modélisation tel que présenté dans le programme de formation au secondaire et l’enseignement du modèle particulaire tel que présenté dans le curriculum formel et auprès de certains enseignants. À la troisième étape, cette description a été analysée compte tenu des grilles élaborées à la première étape, ce qui a permis d’identifier plusieurs lacunes dans l’enseignement de la modélisation et l’enseignement du modèle particulaire. Parmi ces lacunes, nous avons relevé l’absence de construction des modèles par les élèves et l’absence du principe de différenciation entre la réalité et le modèle qui l’explique. Ces deux lacunes sont également présentes dans le cas du modèle particulaire. Les élèves ne sont pas amenés à le construire. Son utilisation est inexistante dans le programme de formation et dans la progression des apprentissages au premiers cycle, elle est ambiguë dans les manuels du premier cycle et partielle au deuxième cycle. Les activités qui lui sont associées sont essentiellement des activités de mémorisation et de compréhension des concepts. Ces activités, qui ne sont pas des activités de modélisation, ne permettent pas vraiment de « faire la science » ni de comprendre la nature des modèles et de la science en général. De plus, les énoncés du modèle particulaire sont partiels de sorte que le modèle particulaire ne semble pas une idée centrale à laquelle plusieurs concepts sont reliés. Ces derniers sont plutôt éclatés et décousus. Pour remédier à ces lacunes, plusieurs recommandations ont été proposées.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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 teacher head, 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".