L’enseignement des mathématiques dans l’enseignement spécialisé est-il pavé de bonnes analyses d’erreurs?
Bibliographic record
Abstract
La mise en oeuvre de nouveaux moyens d’enseignement mathématiques en Suisse Romande vise, entre autres, à modifier le statut de l’erreur en classe. On tend à la considérer comme un support possible pour les apprentissages des élèves et on encourage de plus en plus les enseignants à travailler en ce sens. Des cours de formation continue concernant l’erreur leur sont ainsi proposés, selon un modèle qui procède : du repérage de l’erreur, de la description de la procédure qui l’a provoquée, de la recherche d’une ou de plusieurs origines possibles, de la mise en place d’un dispositif pour tester la pertinence des hypothèses effectuées et de la proposition d’activités de remédiation. Nous pensons toutefois que bon nombre d’erreurs que nous avons repérées dans le champ de l’enseignement spécialisé se prêtent mal à une telle analyse et nous en donnerons quelques exemples. Nous essaierons aussi de montrer en quoi la question de l’erreur est une question sensible dans l’enseignement spécialisé et comment elle est susceptible d’influer sur l’enseignement des mathématiques qui s’y trouve dispensé. Nous parlerons également des difficultés à utiliser l’erreur comme support pour favoriser les apprentissages dans l’enseignement spécialisé. Nous conclurons enfin par l’énoncé de quelques perspectives concernant la place de l’erreur dans la formation en enseignement des mathématiques des enseignants spécialisés.
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 | 0.008 | 0.041 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.003 | 0.012 |
| Scholarly communication | 0.010 | 0.015 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.022 | 0.003 |
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".