Enseigner les premiers concepts de probabilités
Bibliographic record
Abstract
Les probabilités font partie de la vie du citoyen du XXI e siècle , et ce, dans divers contextes et domaines – en santé pour la sélection d’un traitement, en gestion pour le choix d’un investissement, etc. Dans le milieu scolaire, il est donc impératif de développer une pensée probabiliste permettant la prise de décisions éclairées en moment d’incertitude, la modélisation des situations aléatoires et la compréhension de la notion de risque. Au Québec, bien que l’enseignement des premiers concepts de cette branche des mathématiques commence dès le début du primaire, il représente tout de même un défi de taille, car en plus d’être complexes et contre-intuitives, les probabilités n’occupent qu’une (trop) petite place au sein de la formation des enseignants. Le présent ouvrage s’adresse aux enseignants en exercice du primaire et du début du secondaire, aux futurs enseignants et aux formateurs universitaires en didactique des mathématiques. Ses auteurs invitent à la découverte des éléments contextuels et historiques liés à cette discipline, puis proposent des réflexions et des idées originales de situations pour l’enseignement (et la formation à l’enseignement) des premiers concepts de probabilités. Il est plus que probable que les propos de cet ouvrage ébranlent la façon de penser et les convictions du lecteur quant à la manière d’enseigner les probabilités.
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 | 0.006 | 0.016 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.004 | 0.022 |
| Scholarly communication | 0.013 | 0.017 |
| Open science | 0.003 | 0.004 |
| Research integrity | 0.004 | 0.010 |
| Insufficient payload (model declined to judge) | 0.013 | 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".