Quelles stratégies pour l'enseignement? Une revue intégrative de classifications qui les répertorient
Bibliographic record
Abstract
La didactique comme discipline éducationnelle s’intéresse tant aux objets de savoirs qu’aux manières de les enseigner que l’on peut désigner comme des stratégies d’enseignement. Plusieurs classifications les répertoriant ont été publiées pour en réduire la complexité. Cet article propose une revue intégrative des classifications de stratégies d’enseignement dont l’objectif est d’identifier ce qu’elles contiennent et comment elles sont organisées afin de dégager des constats pour la recherche en didactique. Basée sur la méthode de recension des écrits de Whittemore et Knafl (2005) et sur la méthode PRISMA (Moher et al., 2009) pour la sélection des textes, nous avons procédé à une analyse critique de 14 classifications en s’appuyant sur les définitions des concepts de classification, de typologie et de taxonomie, ainsi que sur les composantes du modèle de la situation pédagogique de Legendre (1983). L’un des constats qui se dégage est que la composante Objet, soit les apprentissages potentiels que les stratégies d’enseignement peuvent engendrer chez les personnes apprenantes, est peu présente et appuyée dans les différentes classifications. Les angles morts dégagés des analyses sont ensuite discutés et conduisent à la proposition de pistes pour l’élaboration d’une éventuelle typologie tenant compte de cette revue intégrative.
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 | 0.026 | 0.037 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.011 | 0.013 |
| Science and technology studies | 0.008 | 0.048 |
| Scholarly communication | 0.023 | 0.039 |
| Open science | 0.003 | 0.006 |
| Research integrity | 0.004 | 0.007 |
| Insufficient payload (model declined to judge) | 0.006 | 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".