Les connaissances d'enseignants du secondaire sur les concepts d'écart moyen et d'écart type
Bibliographic record
Abstract
La recherche décrite dans cet article vise à explorer les connaissances professionnelles en statistique d’enseignants de mathématiques du secondaire reliées aux concepts d’écart moyen et d’écart type. Par connaissances professionnelles, j’entends ici autant des connaissances qui sont articulées aux questions d’enseignement-apprentissage, qu’aux contenus à enseigner. Douze enseignants de mathématiques du secondaire du Québec ont été confrontés à des mises en situation faisant intervenir ces contenus scolaires. En plus de résoudre les tâches proposées sur les contenus, les enseignants étaient confrontés à des réponses et raisonnements d’élèves et, par le fait même, amenés à proposer des façons d’intervenir afin d’aider ces derniers à surmonter les obstacles dont leur raisonnement témoigne et favoriser du même coup leurs compréhensions statistiques. L’analyse des réponses des enseignants permet d’abord d’explorer les compréhensions et pratiques de ces enseignants, associées aux concepts d’écart moyen et d’écart type, et de porter un regard sur l’enseignement de ces concepts. Dans un deuxième temps, l’étude montre que des conceptions déjà observées chez des élèves sur ces contenus se retrouvent également chez ces enseignants du secondaire.
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 | 0.021 | 0.069 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.007 | 0.012 |
| Scholarly communication | 0.014 | 0.007 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.021 | 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".