Apprendre à contextualiser l’éducation scientifique en formation initiale
Bibliographic record
Abstract
La contextualisation de l’enseignement et des apprentissages est principalement reconnue pour être mise de l’avant afin d’augmenter la motivation et l’intérêt des personnes apprenantes envers les sciences. Derrière ce terme, on retrouve de nombreuses approches dont l’approche basée sur le lieu, l’investigation scientifique, les pratiques authentiques, la science adaptée aux réalités culturelles, la science en plein air. Bien que ces approches soient recommandées dans plusieurs programmes à travers le mode, ces derniers définissent généralement peu comment les opérationnaliser. Il revient donc à la personne enseignante (PE) la charge de faire des liens, souvent difficiles à établir, entre les contenus scientifiques et les contextes d’apprentissages. Dans ce contexte, nous avons réalisé une étude qui vise à comprendre ce que les recherches nous apprennent sur la formation des personnes enseignantes quant à la contextualisation en enseignement scientifique. Nous avons donc réalisé une revue de littérature systématique qui a permis de faire ressortir l’importance de la formation continue et du développement professionnel, notamment grâce à de nombreuses recommandations concernant la mise en pratique des approches, l’importance de reconnaitre son système de croyances et l’ajustement des connaissances scientifiques.
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 | 0.021 | 0.041 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.006 | 0.012 |
| Scholarly communication | 0.018 | 0.015 |
| Open science | 0.002 | 0.014 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.023 | 0.006 |
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".