Ateliers
Bibliographic record
Abstract
Contexte : Nous avons développé, à partir du concept bien connu de « speed dating » (France : drague accélérée ; Office de la langue française du Québec : rencontres éclairs), une méthode d'enseignement amusante mais néanmoins très efficace pour stimuler le partage des connaissances lors d'une formation de groupe.La méthode, surnommée « rencontres éclairs pédagogiques (REP) » par les auteurs, a été qualifiée de stimulante par les participants qui en ont fait l'expérience.Ces rencontres offrent une occasion formelle de partager efficacement les problèmes pratiques et les objectifs d'apprentissage.Elles permettent de rencontrer de nouveaux collègues et d'apprendre d'eux, les aident à identifier des perspectives de collaborations futures et des solutions novatrices.Les REP sont modulables en fonction des objectifs pédagogiques et permettent l'organisation d'activités de formation qui génèrent les résultats décrits plus haut.Objectifs : Au terme de cet atelier, les participants pourront (1) expliquer l'utilité de la méthode et (2) préparer et insérer des REP dans leurs propres activités de formation.Déroulement : La première partie de l'atelier sera consacrée à la présentation de la méthode, des résultats d'un projet de recherche sur son utilité en formation continue et d'une revue de la littérature sur le sujet dans les sciences de l'éducation.Les participants seront ensuite amenés à expérimenter eux-mêmes une session de REP avec leurs collègues.Nous animerons enfin une discussion en plénière afin que les participants partagent leurs expériences et discutent des aspects pédagogiques de la méthode et des modalités d'utilisation.
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.359 | 0.144 |
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".