Identifier, modéliser et surmonter les obstacles à l’apprentissage
Bibliographic record
Abstract
L’ouvrage présente différents obstacles qui empêchent, freinent ou… déclenchent l’apprentissage. Dans une perspective résolument constructive, il fournit des pistes pour mieux comprendre et aborder cet enjeu central du métier d’enseignant et de formateur.La première partie de l’ouvrage analyse des obstacles relatifs à l’interaction entre l’apprenant et le savoir. Ces « obstacles épistémologiques » (Bachelard, 1938) ou ces « bottlenecks » (Pace, 2017), inhérents à la construction de l’expertise disciplinaire, représentent des enjeux didactiques majeurs.La deuxième partie se penche sur des obstacles relatifs à l’interaction entre l’enseignant et l’apprenant, qui mettent en évidence l’activité enseignante et ses conséquences sur l’apprentissage.La troisième partie cible des obstacles dont la saisie doit s’envisager dans l’interaction avec un contexte spécifique.Ancré tant dans les didactiques disciplinaires que dans les sciences de l’éducation, l’ouvrage offre des contributions américaines, belges, brésiliennes, canadiennes, françaises, suisses qui abordent tous les niveaux d’enseignement, du primaire à l’enseignement supérieur. Il intéressera chercheurs en éducation, formateurs d’enseignants, concepteurs de prescrits (référentiels, programmes) et auteurs de manuels.
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 | 0.010 | 0.025 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.004 | 0.011 |
| Scholarly communication | 0.021 | 0.023 |
| Open science | 0.003 | 0.010 |
| Research integrity | 0.005 | 0.005 |
| Insufficient payload (model declined to judge) | 0.009 | 0.003 |
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".