L’étude du rapport à la culture dans les pratiques enseignantes : le synopsis comme outil de réduction et d’organisation des données
Bibliographic record
Abstract
Pour étudier le rapport à la culture d’enseignants de français, nous observons leurs pratiques enseignantes au moyen de la vidéo. La grande quantité de données colligées dans l’observation de toute activité professionnelle requiert l’utilisation d’un outil méthodologique qui permet de découper la complexité des gestes observés dans des unités cohérentes et saisissables pour l’analyse. L’outil du synopsis facilite ce travail de réduction par le découpage des leçons en séquences narrativisées et hiérarchisées en fonction des activités et des objets d’apprentissage en jeu. La production du synopsis permet dans le cadre de notre étude de mener une double analyse sur nos données : la première vise la description globale des séquences d’enseignement; la seconde porte sur ce qu’il est possible d’inférer sur le rapport à la culture de l’enseignant à partir des interactions observées entre l’enseignant, les élèves et les différents objets de la classe de français. Dans cet article, nous expliquerons le processus d’élaboration du synopsis comme outil de recherche, tel que nous l’avons adapté, et les pistes d’interprétation qu’il nous ouvre pour l’analyse du rapport à la culture en classe de français.
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 | 0.013 | 0.031 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.005 | 0.008 |
| Scholarly communication | 0.009 | 0.010 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.007 | 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 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".