Savoirs de formation et savoir d’expérience : un processus de transformation
Bibliographic record
Abstract
Dans le champ de la formation des enseignants au Québec, le questionnement sur le lien entre la formation et la pratique s’est intensifié à partir des années 1980. Des critiques ont déploré l’existence d’un fossé entre les théories enseignées et le contexte de la pratique, ce qui a provoqué un intérêt à l’égard du savoir d’expérience des enseignants. Comment celui-ci se constitue-t-il, notamment par rapport aux autres types de savoirs acquis pendant la formation? Plusieurs auteurs reconnaissent l’existence du processus de transformation dans la pratique quotidienne des enseignants et dans l’élaboration de leur savoir d’expérience. Parmi les rares chercheurs qui l’ont exploré concrètement, Shulman (1986a, 1986b, 1987) l’a fait et a développé le concept de savoir pédagogique de la matière. Dans cet article, les transformations des savoirs effectuées par quatre enseignants d’expérience du primaire ont été explorées. À partir d’un constat de quasi-rupture des savoirs de formation et du savoir d’expérience, l’analyse des pratiques des enseignants livre une situation un peu plus nuancée, et surtout beaucoup plus complexe, de leur rapport. Cet article insiste en particulier sur la nécessaire contextualisation du savoir d’expérience des enseignants.
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 | 0.004 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.013 | 0.035 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.006 | 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".