Enseignement des mathématiques dans une classe d’élèves ayant une déficience intellectuelle légère : étude de deux situations adidactiques
Bibliographic record
Abstract
Pour favoriser le développement de connaissances prénumériques et numériques d’élèves ayant une déficience intellectuelle légère (DIL), nous avons choisi d’explorer le potentiel de situations adidactiques. Nous avons ainsi mis à l’épreuve, dans une classe d’élèves ayant une DIL, des situations adidactiques robustes ayant été expérimentées auprès d’élèves n’ayant pas de déficience intellectuelle. Ce texte présente les analyses a priori et a posteriori de deux situations, soit « Boites et bâtons » (Briand, 1999; Briand et coll., 2004) et « Commande de gommettes » (Ste-Marie, 2013). Les résultats de notre recherche montrent le défi que représente la dévolution, mais aussi la capacité d’élèves ayant une DIL d’interagir avec leurs pairs (de façon essentiellement non verbale) et de modifier leur stratégie grâce aux interactions avec le milieu et au soutien de l’enseignant·e. Notre recherche ouvre ainsi sur quelques pistes pour favoriser une attitude réflexive chez les élèves ayant une DIL, et ce, en travaillant autour d’une même situation de référence, malgré l’hétérogénéité des connaissances des élèves au sein de la classe.
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 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| 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".