L’éducation inclusive en dépit de la pandémie. Que retenir pour l’avenir de l’enseignement des arts ?
Bibliographic record
Abstract
L’article présente les résultats d’une recherche qualitative partenariale de type exploratoire menée en 2020-2022 avec 16 enseignantes et enseignants spécialistes des quatre disciplines artistiques (art dramatique, arts plastiques, danse et musique) enseignées dans les écoles du Québec. L’objectif était de développer de nouveaux savoirs issus de pratiques pédagogiques relatives à l’éducation inclusive en enseignement des arts, aux niveaux primaire et secondaire, en temps de pandémie. L’étude impliquait une équipe multidisciplinaire de recherche de l’Université du Québec à Montréal (UQAM), le Centre de services scolaire de Montréal (CSSDM) comme partenaire, ainsi que des conseillères et conseillers pédagogiques. Les méthodes d’entretiens individuels et de sous-groupes ainsi que l’analyse de six projets artistiques révèlent les obstacles rencontrés, mais aussi les opportunités créatives qui ont permis de les contourner. Les résultats mettent en lumière de quelle manière la perspective de l’éducation inclusive a été prise en compte et comment elle peut constituer un levier pour enrichir les pratiques d’enseignement des arts au-delà du contexte pandémique.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.015 | 0.017 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.001 | 0.011 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.012 | 0.001 |
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".