Composer une chanson avec ses élèves: quels savoirs musicaux pour l'enseignant ?
Bibliographic record
Abstract
Cette communication porte sur les savoirs musicaux convoqués par l’enseignant généraliste à l’école primaire dans la conduite d’une activité de composition de chansons avec ses élèves. Cette recherche qualitative s’inscrit dans une approche anthropologique. Elle est basée sur l’analyse des actions de six enseignants de divers niveaux de formation musicale, de pratique musicale personnelle et d’expérience professionnelle d’enseignement. Les résultats montrent que, chez les enseignants concernés, les savoirs professionnels (didactiques et transversaux) sont plus importants que les savoirs musicaux pour ce type d’activité de création musicale. Ces derniers favorisent toutefois une diversification des approches de l’enseignant mais peuvent également constituer des freins au développement de la création des élèves. Dans cet article, d’une part, nous présentons une proposition pédagogique conçue, testée et mise en pratique dans le cadre d’une recherche dans différents pays : Argentine, Brésil, Canada et Suisse et, d’autre part, nous proposons quelques constats réflexifs sur l’expérimentation de cette proposition durant trois leçons de musique par une enseignante avec des élèves de 11-12 ans en Suisse.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.013 | 0.010 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 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".