Apprendre à tenir compte des voix des élèves autistes dans la formation initiale pour soutenir l’éducation inclusive
Bibliographic record
Abstract
Les déclarations internationales récentes sur les droits des enfants de même que les changements de paradigme pour une éducation inclusive amènent à réfléchir à la considération des points de vue des élèves à l’école. Ainsi, cet article vise à s'interroger sur la place des voix des élèves dans la formation initiale des futures personnes enseignantes. Des exemples tirés de deux recherches ethnographiques réalisées avec des élèves autistes du secondaire et du préscolaire permettent de réfléchir à l’espace discursif donné aux élèves en classe et à la réelle prise en compte de ce qu’ils expriment. L’analyse permet de dégager des pistes pour incorporer les voix des élèves à la formation initiale et en montrer l’importance dans la pratique enseignante. L’hétérogénéité des moyens d’expression des élèves, de même que des points de vue, amène à la prudence relativement aux interventions uniformes. Les pistes dégagées illustrent la nécessité de sortir d’une logique de comparaison à la norme, et de plutôt dresser des portraits positifs des élèves qui montrent leurs capacités. Les pistes émergentes contribuent à mettre en doute les représentations qu’ont les personnes étudiantes des difficultés 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 | 0.007 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.012 | 0.011 |
| Scholarly communication | 0.010 | 0.008 |
| Open science | 0.001 | 0.015 |
| Research integrity | 0.002 | 0.006 |
| Insufficient payload (model declined to judge) | 0.017 | 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".