La contextualisation des apprentissages scientifiques en plein air à proximité de l’école
Bibliographic record
Abstract
Les enjeux socioscientifiques actuels liés à l'environnement nécessitent une compréhension approfondie de concepts scientifiques complexes. Cette complexité implique une éducation scientifique de qualité. Pour contribuer à une telle éducation, nous discutons de l’apport de la contextualisation des sciences de la nature en plein air à proximité de l’école puisque cette approche présente des avantages pour les élèves, comme une meilleure compréhension des concepts scientifiques et le développement d’une relation positive avec l'environnement. À la lumière de cet apport potentiel, nous formulons trois propositions provenant de sources scientifiques diverses qui pourraient soutenir les personnes enseignantes dans la mobilisation de cette approche : choisir un lieu extérieur en adéquation avec les objectifs scientifiques, opter pour un lieu extérieur accessible près de l'école et créer des situations d'apprentissage engageantes pour les élèves. Cette réflexion est une ouverture à la discussion sur les considérations à prendre en compte par les personnes enseignantes lorsqu’elles contextualisent des situations d’apprentissage en plein air à proximité de l’école.
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 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.010 | 0.010 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.016 | 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".