Des représentations-obstacles à prendre en compte dans la formation aux métiers de l’enseignement
Bibliographic record
Abstract
Les modifications profondes des enjeux dans notre société et le caractère imprévisible de son évolution contraignent le monde de l’éducation à des mutations. Quatre représentations que nous avons identifiées chez les enseignants semblent s’opposer à l’évolution de leur métier. Une de ces représentations conduit à ne pas centrer prioritairement l’apprentissage sur l’acquisition de concepts. Une deuxième amène à confondre la logique de contrôle de l’apprentissage avec la logique de régulation de celui-ci. Une troisième sépare processus cognitifs et processus émotionnels comme deux phénomènes distincts. Une dernière correspond à une difficulté pour concevoir la sécurité en dehors de la stabilité des connaissances. Si, comme l’indiquent explicitement les nouvelles missions assignées aux enseignants, « on » souhaite que les élèves puissent devenir aptes toute leur vie à faire évoluer leurs connaissances, n’est-il pas nécessaire que la formation des enseignants se fixe comme objectif pédagogique le franchissement de ces quatre représentations-obstacles? Un dispositif de formation qui viserait un tel objectif devrait nécessairement comprendre un débat visant à expliciter les valeurs qui sous-tendent ces nouvelles finalités de l’enseignement : ces valeurs devraient être confrontées avec celles qui sont associées aux représentations-obstacles que nous avons désignées et avec celles que véhicule la société marchande actuelle.
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 | 0.005 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.006 | 0.024 |
| Scholarly communication | 0.014 | 0.015 |
| Open science | 0.002 | 0.010 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
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".