Le cerveau enseigné aux élèves : des connaissances scientifiques à la mise en œuvre pédagogique
Bibliographic record
Abstract
Les sciences cognitives s’invitent depuis peu dans les salles de classe dès l’entrée à l’école primaire. Elles peuvent enrichir les pratiques enseignantes, en proposant notamment de prendre en compte le fonctionnement neurocognitif de l’élève pour permettre la construction des connaissances et des compétences scolaires. Les connaissances dans ce domaine peuvent aussi être bénéfiques pour les élèves. En effet, certaines études ont suggéré la pertinence d’enseigner aux élèves le fonctionnement du cerveau et sa plasticité afin qu’ils développent une compréhension plus approfondie de leur propre fonctionnement intellectuel. Ce type de programme pédagogique permet notamment de développer chez eux un mindset plus dynamique, qui consiste à croire en l’amélioration des habiletés scolaires par la pratique et l’effort. Face à l’erreur, les élèves adhérant à cette conception auraient tendance à être plus motivés à se corriger, notamment en essayant de nouvelles stratégies, ce qui leur permettra ainsi de progresser dans leurs apprentissages. Une importante littérature scientifique s’entend donc quant à la nécessité de sensibiliser les élèves au rôle majeur du cerveau dans leurs apprentissages scolaires. Cet article vise à éclaircir le lien entre l’enseignement du fonctionnement cérébral, le mindset et leurs impacts sur les apprentissages scolaires. Puis, des séquences pédagogiques détaillées seront présentées afin de fournir des pistes d’intervention concrètes pour mettre en place ce type de programmes pédagogiques de découverte du cerveau et des outils cognitifs afin de sensibiliser tous les élèves à prendre conscience de leurs rôles déterminants dans les apprentissages scolaires.
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 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.003 | 0.014 |
| Scholarly communication | 0.010 | 0.010 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.012 | 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".