Élaboration collaborative d'un dispositif d’enseignement sur l’aménagement des cours d'eau en géographie et éducation à la durabilité (Suisse)
Bibliographic record
Abstract
La géographie scolaire a le potentiel de former les élèves à réfléchir aux interdépendances complexes entre nos sociétés et l’environnement et à leur capacité à agir en tant que citoyen·nes dans des projets d’aménagement du territoire. Dans cette perspective, la thématique de l’aménagement des cours d’eau a été choisie pour créer de manière collaborative un dispositif d’enseignement basé sur la mobilisation de savoirs multiples. Cet article a pour objectif de rendre visibles les savoirs et les processus qui ont abouti à la création de ce dispositif. Dans une approche transdisciplinaire, nous avons mené des entretiens avec des expert·es de l’aménagement des cours d’eau et de didactique, ainsi que des séances de travail avec des enseignant·es de géographie. Les résultats ont montré l’émergence de différents types de savoirs en géographie (académiques, d’expert·es, vernaculaires), en didactique et en pédagogie. La chercheuse a joué un rôle de médiatrice de ces savoirs au sein de ce processus afin de favoriser la création d’un dispositif innovant sur l’aménagement des cours d’eau en géographie dans une perspective d’éducation à la durabilité.
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 | 0.007 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.009 |
| Scholarly communication | 0.012 | 0.009 |
| Open science | 0.001 | 0.011 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.018 | 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".