Pour une éducation à et par l’auto-quantification en EPS
Bibliographic record
Abstract
Les champs des loisirs sportifs et de l’EPS connaissent actuellement un engouement important autour du développement des pratiques d’auto-quantification ; celles-ci consistent à mesurer, en temps réel, l’évolution de ses propres performances et de ses variables biologiques au moyen d’un dispositif numérique portatif. Si plusieurs propositions pédagogiques insistent sur les potentialités éducatives de ces outils, d’autres études, plus critiques, révèlent que, suite à une phase initiale d’engouement, certains élèves témoignent d’attitudes de résistance voire de désengagement vis-à-vis de ces instruments et, plus largement, de l’activité physique. Plusieurs usages dysfonctionnels de l’auto-quantification pourraient, en effet, s’avérer néfastes au bien-être de l’utilisateur, dès lors contraint de l’abandonner. Tout à la fois conscients des dérives possibles de la mise en chiffres de soi et de ses potentialités éducatives, nous proposons une réflexion pédagogique de nature non normative : en effet, il ne s’agira pas d’imposer, a priori et uniformément à tous les élèves, un même usage, supposé pertinent, du self-tracking. À l’inverse, nous les encouragerons, au travers d’une attitude expérimentale et comparative, à tester divers usages de l’outil et à en apprécier les conséquences différentielles sur leurs performances, leurs ressentis, leurs motivations et leurs émotions, afin de découvrir, par essais-erreurs, les utilisations qui leur sont, individuellement, le plus profitables. Nous proposerons ensuite d’entraîner les élèves à la confrontation systématique des données quantitatives recueillies avec les ressentis singuliers qu’ils éprouvent, dans le but d’affiner leurs savoir-faire perceptifs. Enfin, en guise d’ouverture, nous proposerons d’engager chaque élève, à l’échelle de l’année scolaire, dans la conception et la mise en œuvre d’un « projet personnalisé d’auto-quantification » visant à le préparer, de façon lucide, aux multiples situations d’auto-quantification auxquelles il pourra être confronté.
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 imitationNot 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.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.036 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.005 |
| Insufficient payload (model declined to judge) | 0.022 | 0.001 |
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 teacher head, 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".