Le tinkering au cœur du processus de résolution de problèmes en contexte de fabrication numérique à l’école
Bibliographic record
Abstract
À l’ère du 21e siècle, la littérature scientifique fait ressortir la résolution de problèmes comme l’une des compétences les plus recherchées par les employeurs à travers le monde. Cependant, peu d’écrits semblent s’être penchés sur le développement de cette compétence à l’école, surtout en contexte numérique. Au Nouveau-Brunswick, un changement de finalités de l’école implique davantage un enseignement axé sur les compétences, dont la résolution de problèmes. Par conséquent, appuyés par les écrits en technopédagogie, de nouveaux milieux d’apprentissage tels que les laboratoires de fabrication numérique peuvent représenter des environnements propices au développement de la résolution de problèmes. À partir d’un devis qualitatif interprétatif mené dans les laboratoires de fabrication numérique de deux écoles au Nouveau-Brunswick, l’analyse des résultats de la présente étude permet d’identifier le tinkering comme concept central dans les processus de résolution de problèmes. Notre recherche permet aussi de pointer vers d’autres éléments conceptuels importants entourant ce processus tel que l’étayage pédagogique et le degré d’autonomie des élèves. Enfin, notre étude confirme que la résolution de problèmes n’est pas un processus linéaire ; elle se déroule plutôt de façon itérative et peut être influencée par le niveau de compétences numériques des élèves.
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 | 0.040 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.011 | 0.037 |
| Scholarly communication | 0.021 | 0.019 |
| Open science | 0.004 | 0.012 |
| Research integrity | 0.005 | 0.007 |
| Insufficient payload (model declined to judge) | 0.014 | 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".