MétaCan
Menu
Back to cohort
Record W3201437897 · doi:10.7202/1080451ar

Des représentations-obstacles à prendre en compte dans la formation aux métiers de l’enseignement

2021· article· fr· W3201437897 on OpenAlexvenueno aff
Daniel Favre, Christian Reynaud

Bibliographic record

VenueÉducation et francophonie · 2021
Typearticle
Languagefr
FieldSocial Sciences
TopicEducation, sociology, and vocational training
Canadian institutionsnot available
Fundersnot available
KeywordsHumanitiesPhilosophyPolitical science

Abstract

fetched live from OpenAlex

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.003
metaresearch head score (Gemma)0.002
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Qualitative · Consensus signal: Qualitative
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.277
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0030.002
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.001
Science and technology studies0.0010.001
Scholarly communication0.0000.001
Open science0.0000.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0010.000

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.

Opus teacher head0.120
GPT teacher head0.442
Teacher spread0.322 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designQualitative
Domainnot available
GenreEmpirical

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".

Quick stats

Citations6
Published2021
Admission routes1
Has abstractyes

Explore more

Same venueÉducation et francophonieSame topicEducation, sociology, and vocational trainingFrench-language works237,207