Favoriser le développement de la pensée critique en science dans un jeu sérieux sur plateforme mobile : exploration théorique pour une scénarisation pédagogique
Bibliographic record
Abstract
Un rapport de l’Organisation de coopération et de développement économique (OCDE, 2006), souligne que « ces dernières années, le nombre d’étudiants en sciences et en technologie a augmenté en valeur absolue, mais a diminué en valeur relative ». Charland (2003) cite Fourez qui annonçait en 1994 que « les cours de sciences étaient souvent vus par les élèves, mais aussi par les enseignants, comme un simple processus de transmission de contenu, ce qui a eu pour effet d’entraîner une baisse de motivation et d’intérêt quant aux questions scientifiques ». Dans le même article, on propose une solution qui consisterait à « contextualiser » l’enseignement des sciences et à les rendre plus signifiantes pour les élèves. Klopfer et Squire (2007), quant à eux, proposent le Mobile Learning en tant que modèle d’apprentissage prometteur. Parmi les recherches innovatrices dans ce domaine, il y a le projet GéoÉduc3D de l’Université Laval. La présente étude vise à poser un regard sur des énoncés théoriques pouvant être retenus dans le développement d’un scénario pédagogique destiné à un jeu sérieux sur plateforme mobile. Le développement de la une pensée critique sera ciblé dans un contexte de résolution de problèmes à caractère environnemental chez nos élèves de quatrième secondaire, dans les classes de Science et technologie, poursuivant ainsi certaines visées du Programme de formation de l’école québécoise.
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 | 0.005 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.007 | 0.012 |
| Scholarly communication | 0.011 | 0.010 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.005 | 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".