Prévoir la différenciation pédagogique : l’exemple de la résolution de situations-problèmes mathématiques au deuxième cycle du primaire au Québec
Bibliographic record
Abstract
Dans cette étude qualitative descriptive/interprétative, nous cherchons comment des enseignantes réputées expertes au deuxième cycle du primaire au Québec prévoient la différenciation pédagogique en résolution de problèmes mathématiques. Pour comprendre les contraintes et conditions de cette prévision, nous avons utilisé le modèle de Verschaffel, Greer et De Corté (2000) qui un modèle didactique crée pour comprendre les différentes phases de la démarche par laquelle passe l’élève pour résoudre un problème. Nous avons couplé ce modèle avec les dispositifs de la différenciation pédagogique de Tomlinson (2000) à savoir la différenciation des processus, la différenciation des productions, la différenciation des structures et la différenciation des contenus. Dans chaque phase de la démarche et chaque dispositif évoqué par les enseignantes, nous avons décrit les adaptations en général et les adaptations pour un ou des élèves en particulier. Il en ressort que prévoir comment différencier en résolution de situations-problèmes mathématiques relève d’un défi. En effet, même si les enseignantes rapportent prévoir utiliser un grand nombre de gestes de pratique pour tenir compte des besoins diversifiés de leurs élèves, elles semblent vouloir garder prise sur la plupart des explications avant de laisser les élèves se lancer seuls dans la résolution de la situation-problème mathématique. Cela s’explique par les contraintes nombreuses à gérer ainsi que leur perception de l’étayage à mettre en place pendant la recherche des élèves. Cela a pour conséquence de ne pas toujours exposer les élèves à risque au travail avec leurs pairs -bien qu’ils bénéficient alors grandement des rétroactions immédiates de l’enseignante- et a tendance à laisser de côté les besoins des élèves avancés.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.010 | 0.011 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.013 | 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".