« Pédalant dans la semoule » en éducation physique à l’ère du COVID-19 : freins, apprentissages et attentes des enseignants des écoles publiques brésiliennes
Bibliographic record
Abstract
Cette recherche a identifié les freins qui ont limité l’enseignement d’éducation physique à distance pendant la fermeture des écoles en raison du COVID-19 et les apprentissages des enseignants et leurs attentes en matière d’intégration des technologies numériques dans leur enseignement futur. Le cadre théorique de notre étude est ancré sur la théorie de la diffusion de l’innovation développée par Everett Rogers. Cette étude exploratoire a été menée auprès d’un échantillon de 33 enseignants d’éducation physique, qui ont répondu à un questionnaire en ligne. Les résultats montrent que la plupart des enseignants ont utilisé WhatsApp pour diriger les devoirs. Ils enregistrent des vidéos et des messages audio, utilisent des textes et vidéos repérés sur Internet pour enseigner à distance et un cinquième des enseignants préparent des polycopiés. Les enseignants ont déclaré les freins et les apprentissages de cette période, ainsi que leur intention d’intégrer davantage les technologies numériques dans leur enseignement à l’avenir. Cette période exceptionnelle de pandémie a forcé une adaptation du processus d’enseignement-apprentissage médié par les technologies numériques. Malgré tous les efforts, les inégalités sociales limitent l’accès aux technologies numériques et à l’enseignement à distance pour une partie considérable 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 | 0.006 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.010 | 0.005 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.016 | 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".