Bibliographic record
Abstract
S’attarder aux questions de contextualisation dans l’enseignement et l’apprentissage des mathématiques constitue, comme le montrent les travaux de recherche en didactique des mathématiques et les contraintes institutionnelles, un enjeu important à considérer dans la formation des enseignants. C’est à cet enjeu que s’attarde cet article. Trois cas de pratiques de formation à l’enseignement des mathématiques à l’Université du Québec à Montréal (UQAM), ciblant un même contenu mathématique (la division), sont analysés sous l’angle de la contextualisation. Ces pratiques, analysées a posteriori, proviennent d’un cours de didactique des mathématiques s’adressant à de futurs enseignants de mathématiques au secondaire (deux premiers cas) et d’un cours de didactique des mathématiques s’adressant plutôt à de futurs enseignants du primaire (troisième cas). Une contextualisation y est sollicitée de manière explicite ou émerge du travail mené par les futurs enseignants. Pour chacun des cas, nous dégageons, par une démarche d’analyse inductive, le sens que prend, dans l’action, cette contextualisation, et la fonction qui lui est attribuée. Une lecture transversale de ces cas montre une richesse des significations associées à la contextualisation, et permet de cibler des enjeux de formation.
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 | 0.011 | 0.026 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.007 | 0.025 |
| Scholarly communication | 0.009 | 0.016 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.009 | 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".