Mise en cohérence entre l’enseignement-apprentissage de l’oral et la gestion de la classe pour un élève réflexif et responsable
Bibliographic record
Abstract
Bien que la gestion de la classe et la didactique fassent partie intégrante de l’acte d’enseigner, elles ne sont pas toujours mises en cohérence, alors que la recherche indique qu’il s’agit d’une façon d’optimiser l’enseignement (Butlen et al., 2011; Freiberg et Lamb, 2009). C’est donc dans cette perspective qu’est menée notre recherche collaborative ayant pour but de coconstruire, avec des personnes enseignantes du primaire, des pratiques d’enseignement soutenant le développement des compétences en littératie des élèves par la mise en œuvre de contextes d’oral réflexif et de pratiques de gestion de la classe responsabilisante. Cette contribution présente les résultats de la première étape de notre recherche, qui visait à amener les enseignantes québécoises avec qui nous avons collaboré à réfléchir à leurs pratiques actuelles impliquant l’oral réflexif et la gestion de la classe pour identifier les obstacles qu’elles rencontrent et leurs besoins de formation. Ces résultats sont présentés non seulement au regard de chacune des dimensions de l’acte d’enseigner, mais aussi au regard de la cohérence ou l’incohérence entre les deux.
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 | 0.014 | 0.025 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.010 | 0.017 |
| Scholarly communication | 0.017 | 0.009 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.016 | 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".