Apprendre par l'expérience active et située
Bibliographic record
Abstract
L’école cherche à préparer les élèves à la vie, mais ce sont des savoirs déconnectés de la réalité qui y sont enseignés. Des réformes contemporaines ont tenté de combler ce fossé qui existe entre l’école et la vie. Au Québec, ce renouveau pédagogique se dessine notamment par l’adoption de programmes d’études en formation générale des adultes visant à développer l’autonomie des apprenants dans l’exercice des rôles qui sont attendus d’eux en situation de vie réelle (planification d’un repas, achat d’électroménagers, préparation d’un budget familial, etc.). Divers travaux ont été menés pour soutenir et baliser l’élaboration de ces programmes, mais peu ont porté sur leur mise en œuvre en classe. Posant l’une des pierres d’assise en ce domaine, les auteurs de Apprendre par l’expérience active et située exposent une méthode pour construire des outils pédagogiques rejoignant la réalité des apprenants, la méthode ASCAR (action, situation, connaissance, attitude et ressource), sur la base de laquelle ils proposent des exemples de scénarios d’apprentissage et d’évaluation en français et en mathématiques. Cette méthode peut s’appliquer à tous les niveaux scolaires et en formation professionnelle, y compris dans la formation 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 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.010 |
| Scholarly communication | 0.012 | 0.009 |
| Open science | 0.002 | 0.010 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.027 | 0.005 |
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".