Co-élaborer des ressources curriculaires en EPS pour l’enseignement primaire en Suisse, au carrefour des épistémologies professionnelles et des cultures linguistiques
Bibliographic record
Abstract
Dans cette ingénierie didactique de deuxième génération, nous nous sommes focalisés sur les compromis et désaccords entre des rédacteurs et des experts engagés dans la co-élaboration d’un canevas visant à structurer la rédaction ultérieure de ressources curriculaires pour l’enseignement de l’EPS à l’école primaire en Suisse. Nous avons ainsi identifié (a) un désaccord autour de la notion professionnelle de « forme de pratique scolaire », (b) un compromis autour du concept de « contenu d’enseignement », et (c) un désaccord autour de la durée et de l’architecture des séquences d’enseignement à produire. Nous avons interprété ceux-ci en termes d’épistémologies pratiques des acteurs impliqués. Celles-ci se sont révélées non assujetties à la culture linguistique, empreintes de différents paradigmes pédagogiques et d’interprétations différentes des finalités et conditions de mise en œuvre de l’ingénierie didactique. Au regard de ces résultats, nous considérons la co-élaboration de ressources curriculaires comme une composition sous influences, qui pourrait faire l’objet d’une analyse complémentaire ancrée dans la sociologie des organisations.
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 | 0.016 | 0.031 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.001 | 0.009 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.012 | 0.003 |
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".