Mobiliser les affects en pédagogie pour valoriser la diversité des compétences et des expériences
Bibliographic record
Abstract
Les milieux de travail se sont épris de créativité et multiplient les activités de réseautage et formation en ce sens, tout comme plusieurs milieux d’apprentissage qui intègrent de nouvelles approches fondées sur la créativité. Cet article aborde l’utilisation d’un dispositif pédagogique appuyé sur les affects et sur le développement d’émotions positives dans les évaluations pour continuer la réflexion sur la créativité. Les concepts de l’émotion, du sentiment et des affects, comme celui de l’endocept en pédagogie, sous-tendent la réalisation d’une ethnographie ou autoethnographie dans le cadre d’un cours sur les cybercultures. Il émerge par cette voie des stratégies d’apprentissage soutenues par une démarche engendrée par l’impact des affects. Il s’agit ici d’explorer l’épistémologie des traces en pédagogie, pour mobiliser les affects et la créativité, afin de trouver de nouvelles avenues pour transmettre des acquis disciplinaires, tout en valorisant la prise de parole et l’expérience propre à chaque personne étudiante.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.005 | 0.021 |
| Scholarly communication | 0.012 | 0.009 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 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".