Les aides technologiques à l'apprentissage pour soutenir l'inclusion scolaire
Bibliographic record
Abstract
Les aides technologiques constituent des moyens prometteurs d’aide à l’apprentissage en contexte inclusif. En effet, l’utilisation d’une plus grande variété d’outils technologiques en classe peut contribuer à la prise en compte d’une variété de besoins chez les élèves. Cela ne veut pas dire pour autant que l’emploi des technologies dans une visée pédagogique ne soulève aucun défi, bien au contraire ! Cet ouvrage vient outiller les praticiens de l’éducation en clarifiant certaines perspectives d’utilisation d’aides technologiques (logiciels libres, technologies mobiles, technologies d’aide, etc.). Basé sur des expertises multiples dans différents contextes scolaires (Québec, Suisse et Italie), il explore les aides technologiques à l’apprentissage dans une visée de participation accrue de tous les élèves, y compris ceux ayant des besoins particuliers. Il a aussi pour but de soutenir les milieux scolaires désireux d’entreprendre une démarche d’appropriation de ces aides technologiques à l’apprentissage ou d’envisager une offre de service dédiée au soutien technologique en contexte éducatif à visée inclusive. Les exercices, les pistes de réflexion et les outils de planification proposés au gré des chapitres sauront répondre aux besoins de nombreux acteurs de l’éducation qui sont interpellés par la réussite de tous les élèves.
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 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.011 | 0.009 |
| Scholarly communication | 0.018 | 0.008 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.033 | 0.010 |
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".