Soutien à l'apprentissage autorégulé en contexte scolaire
Bibliographic record
Abstract
Les travaux sur l’apprentissage autorégulé en contexte scolaire, réalisés principalement par des chercheurs anglo-saxons, commencent à gagner en popularité auprès des chercheurs francophones de divers pays. Manifestement, un nouveau réseau de chercheurs dans le domaine est en train de se construire grâce aux activités du Réseau éducation et formation (REF) (Belgique, Canada, France et Suisse). La première rencontre du REF, qui s’est tenue en 2015 à l’Université de Montréal, a permis aux chercheurs de traiter du thème du soutien à l’apprentissage autorégulé en contexte scolaire. Il y fut question d’enjeux touchant les travaux scientifiques francophones sur le sujet et plusieurs aspects de la pratique enseignante des niveaux préscolaire, primaire, secondaire ou postsecondaire y ont été abordés – comme l’évaluation formative, le soutien aux stratégies d’autorégulation de l’apprentissage et l’étayage. La réflexion touchait divers domaines d’apprentissage (mathématiques, français, sciences, univers social) et était alimentée par des activités d’investigation et d’apprentissage par la lecture, et par des tâches créatives et collaboratives. Le présent ouvrage, qui fait état des travaux issus de la rencontre sur l’apprentissage autorégulé en contexte scolaire du REF, convie tout professionnel de l’éducation à une découverte des différents enjeux de l’apprentissage autorégulé.
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 | 0.005 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.005 |
| Scholarly communication | 0.008 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
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".