Les intelligences multiples :: une aide motivationnelle pour les enfants en difficulté des classes d’introduction
Bibliographic record
Abstract
Après avoir cherché de quelle manière on pouvait aider les élèves en difficulté à entrer dans les apprentissages de manière différente ou autrement, je me suis penchée sur la théorie des intelligences multiples d’Howard Gardner. Cette méthode intéresse les enseignants qui savent que les enfants n’apprennent pas tous de la même manière. Elle est bien moins connue en Suisse qu’au Canada où fleurissent de nombreuses écoles et recherches pédagogiques. Il me semblait important d’expérimenter cette pratique dans le but de pouvoir l’utiliser à l’avenir dans mon enseignement. Ce travail de mémoire consiste à comprendre comment la manière d’enseigner peut influencer, au travers d’activités spécifiques, la motivation des élèves d’une classe d’introduction. Après la détermination d’un profil d’intelligences de quatre élèves et la mise en place d’un dispositif varié sur les intelligences multiples (IM), j’ai ensuite observé la manière dont les élèves restaient motivés lors séquences sur la représentation du temps en 3e année Harmos. Les résultats ont montré que certaines hypothèses posées ont pu être validées puisque certains élèves perdaient leur motivation lorsqu’ils travaillaient dans des activités qui ne mobilisaient pas leur intelligence préférentielle.
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.022 | 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".