Learning computer skills and knowledge in the service of learning citizenship : comparative approach France, Canada, Israel
Bibliographic record
Abstract
Notre thèse a pour objectif d'alimenter le débat sur l'opportunité de la place de la science informatique et ses aspects propédeutiques dans un curriculum pédagogique de l'enseignement général. La citoyenneté est un concept fondateur des objectifs de nombre de systèmes éducatifs, en France notamment. Nous avons placé l'objet de notre étude au niveau de cette citoyenneté. L'étude de la science informatique au lycée contribue-t-elle à l'apprentissage d'une forme de citoyenneté des jeunes dans leur parcours d'études secondaires ? Le terme de citoyenneté étant par essence polysémique, il convient d'en analyser la typologie des différents registres avant d'apporter un cadre conceptuel. Notre approche initiale met en relief les composantes citoyennes de deux approches complémentaires. L'une issue de Condorcet et d'une citoyenneté éclairée, l'autre sous-tendue dans les objectifs du B2i français et du socle commun de connaissances, de compétences et de culture, dans leur rapport direct à l'éducation de cette citoyenneté moderne. Cette approche typologique ciblée nous suggère une forme de citoyenneté « numérique » élargie, à un « MetaCitoyen » (Kolesnikov 2014). Notre recherche analyse trois systèmes éducatifs contrastés : France, Israël et Canada (Québec). L'éducation apparaît comme l'un des indicateurs forts d'une citoyenneté éclairée dans nombre de publications scientifiques. En moyenne, dans les pays de l'OCDE, on observe un engagement civique et social (ECS) supérieur chez les individus instruits (Putnam 2000) ; (OCDE 2007; OCDE 2010). Comprendre le monde dans lequel nous vivons et les enjeux de la société en charge de sa gestion sont au centre de la réflexion citoyenne. Notre recherche a pour objectif de déterminer les points saillants de chaque système, les éventuelles tensions et leur impact sur la construction citoyenne de leurs élèves. Les résultats comparés devraient alimenter notre réflexion sur la pertinence de la place de la science informatique dans les curricula de l'enseignement secondaire.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.006 | 0.009 |
| Science and technology studies | 0.011 | 0.005 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 0.000 |
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".