Pratiques d’enseignants canadiens francophones du primaire en contexte d’exploitation d’outils numériques en sciences et technologie
Bibliographic record
Abstract
Cet article pose un regard sur les pratiques d’enseignants du primaire dans un contexte d’exploitation d’outils numériques dans l’enseignement des sciences et technologie (ST). Depuis plusieurs années, de nombreuses études et rapports ministériels relèvent que l’enseignement des ST s’avère difficile au primaire, et ce, pour différentes raisons souvent contextuelles : curriculum scolaire chargé, faible sentiment de compétence et manque de formation continue (Couture et al., 2015 ; CSE, 2013 ; Milner et al., 2012 ; Minier et Gauthier, 2006). Considérant que les outils numériques tendent à amener des changements positifs dans les façons d’apprendre (Fowler et Leonard, 2021) et d’enseigner (Remery et al., 2019), des chercheurs suggèrent de s’intéresser aux usages du numérique pour bonifier les pratiques d’enseignement en ST (Chai et al., 2019 ; Goodnough et al., 2019 ; Tavares et al., 2021). Cette présente recherche en est une qualitative à visée descriptive et suit comme méthode de collecte de données l’étude multicas (Merriam, 1988). Issues d’un sondage et d’observations réalisées auprès de cinq participants, les pratiques ont été analysées à la lumière du modèle TPaCK de Koehler et Mishra (2009). Il ressort dans les résultats que certains enseignants sont en mesure de mieux soutenir leurs pratiques d’enseignement à partir des outils numériques en ST alors que pour d’autres, cela demeure tout de même un défi. Pour expliquer ce constat, la discussion fait état de certains facteurs contextuels qui émergent, dont la disponibilité et le choix des outils numériques, la culture institutionnelle ainsi que le sentiment de compétence des enseignants.
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 | 0.008 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.017 | 0.010 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.014 | 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".