Évaluation du niveau de maîtrise des connaissances professionnelles TPACK d’enseignants du secondaire intégrant la simulation comme instrument pédagogique dans un cours : Étude de cas au Cameroun.
Bibliographic record
Abstract
Cette contribution propose une classification des statuts de maîtrise des connaissances professionnelles activées dans l’enseignement d’un cours à l’aide de la simulation informatique. L’évaluation des domaines de connaissances réalisée s’appuie sur la catégorisation du TPACK[1] de (Mishra et Koehler, 2006) et implique 40 enseignants des lycées au Cameroun. L’analyse des données recueillies à l’aide d’un questionnaire Likert a révélé une configuration épistémologique constituée de trois statuts dominants de maîtrise des connaissances professionnelles parmi les enseignants. La classe n°1 réfère au statut de maîtrise composée majoritairement d’enseignants possédant un niveau « insuffisant ». Elle renferme les connaissances des contenus (CK), technologiques liées aux contenus (TCK) et technopédagogiques du contenu (TPCK). La classe n°2 renvoie au statut de maîtrise pour lequel la plupart des enseignants expriment un niveau « satisfaisant ». Elle adresse les connaissances pédagogiques liées aux contenus (PCK). Enfin, la classe n°3 correspond au statut de maîtrise pour lequel les enseignants se positionnent majoritairement au niveau « d’expert ». Celle-ci inclut les connaissances pédagogiques (PK), technologiques (TK) et technopédagogique (TPK). Ces résultats ouvrent la perspective d’une réflexion sur les actions à entreprendre pour développer la professionnalité des enseignants par le biais de la formation. [1] Technological Pedagogical and Content Knowledge.
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 | 0.007 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".