Introduction au numéro thématique « Les méthodes pédagogiques actives en enseignement postsecondaire : enjeux, défis et retombées »
Bibliographic record
Abstract
Des transformations importantes s’observent dans le milieu de l’enseignement supérieur depuis déjà une vingtaine d’années. Ces transformations amènent à repenser les pratiques enseignantes pour qu’elles soient davantage centrées sur les apprentissages plutôt que l’enseignement. Ainsi, plusieurs enseignant∙es choisissent d’intégrer des méthodes pédagogiques actives (MPA) à leur pratique, qui se distinguent d’autres méthodes en modifiant la nature des activités d’apprentissage qu’effectuent les étudiant.es. lorsqu’ils et elles sont en classe. Une MPA amène les étudiant∙es à effectuer des tâches de haut niveau cognitif, au sens d’Anderson et al. (2001), lorsqu’ils et elles sont en classe. Ce numéro thématique vise donc à présenter cinq recherches se déroulant en contexte de formation universitaire de 1er cycle où les retombées de la mise en œuvre d’une MPA pour les étudiant∙es ont été étudiées. Ces retombées portent sur les apprentissages, l’engagement ou les processus cognitifs mobilisés par les étudiant∙es durant ou à la suite de l’expérimentation d’une MPA. Les résultats encourageants de ces études soutiennent la pertinence des MPA pour favoriser l’apprentissage et l’engagement en enseignement supérieur.
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 | 0.009 | 0.031 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.008 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.011 | 0.006 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.030 | 0.007 |
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".