L’opérationnalisation d’un modèle socioconstructiviste d’apprentissage par problèmes en milieu collégial
Bibliographic record
Abstract
Nous avons mis en oeuvre un modèle d’apprentissage par problèmes en milieu collégial, auprès d’élèves en techniques de réadaptation physique. Cette recherche est du type introspection, où la chercheure principale, qui est aussi l’enseignante, essaie de rendre explicites les principes qui la guident dans l’action. Notre but est de comprendre: (1) comment se transforme un modèle théorique au contact des contraintes du « terrain » et (2) quels sont les principes, issus de notre savoir pratique, qui influencent la mise en oeuvre de ce modèle en milieu scolaire. À la suite d’une réflexion sur nos actions et à l’analyse de contenu, nous avons tenté de reconstituer, à partir des données de terrain (préparations de cours, journaux anecdotique et réflexif, entretiens d’explicitation), les principes qui nous ont guidées en situation scolaire. Il apparaît que le modèle théorique doit devenir plus opérationnel, et que dans l’action ce sont surtout les principes issus du savoir pratique antérieur qui ont le pas sur les principes théoriques. Cette réflexion sur l’action et cette formalisation de principes devraient aider à une mise en place fructueuse d’un nouveau modèle pédagogique.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.004 | 0.015 |
| Scholarly communication | 0.011 | 0.011 |
| Open science | 0.004 | 0.006 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.023 | 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".