Les défis de la différenciation pédagogique chez les enseignants novices
Bibliographic record
Abstract
On admet aujourd’hui que les classes ordinaires sont fortement hétérogènes, en raison de la présence d’élèves à risque ou en difficulté d’apprentissage, d’élèves issus des milieux socioéconomiques différents ainsi que de l’intégration d’élèves handicapés ou en difficulté d’adaptation ou d’apprentissage (EHDAA). Que ce soit pour les EHDAA, pour les élèves à risque ou vulnérables et pour tous les autres, la politique de la réussite pour tous mise de l’avant au Québec appelle les enseignants à tenir compte des différences individuelles dans leur classe et à mettre en œuvre la différenciation pédagogique (Gouvernement du Québec, 2007). Or, des études révèlent que les enseignants ne recourent pas systématiquement aux pratiques d’inclusion dans leur classe, qu’ils éprouvent de la difficulté à répondre adéquatement aux besoins des groupes particuliers d’élèves et qu’ils ont un faible sentiment de compétence à cet égard (Curchod-Ruedi et al., 2013 ; Kamanzi et al, 2007 ; Moldoveanu, Grenier et Steichen, 2016). Qu’en est-il des enseignants novices au Québec ? Dans quelle mesure éprouvent-ils un besoin de soutien eu égard à la différenciation pédagogique et quelle est la nature des défis auxquels ils font face?
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 | 0.004 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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".