Les stratégies pédagogiques favorables au transfert des apprentissages: une étude sur la perception des étudiants
Bibliographic record
Abstract
En tant que professeurs, nous sommes responsables de créer l’ensemble des conditions favorables aux apprentissages durables et transférables, mais que faut-il réellement mettre en place pour inciter les étudiants à apprendre efficacement et à prendre part activement au processus ? Après une vingtaine d’années en enseignement, à force d’être impliquée dans des discussions relatives au paradigme de l’apprentissage en éducation et de participer à des activités à caractère pédagogique pour son développement professionnel, l’auteure a éprouvé le besoin de découvrir, du point de vue des étudiants, comment les professeurs pouvaient les aider à apprendre. Cet article synthétise les principaux résultats d’une recherche qu’elle a menée dans le cadre de sa maitrise, lors de laquelle elle s’est intéressée à la perception des étudiants concernant des stratégies pédagogiques qui favorisent leurs apprentissages et la réutilisation de connaissances dans des situations nouvelles. Les résultats de cette recherche, bien qu’ils soient étroitement liés à des cours de Sciences humaines, ne s’y limitent toutefois pas. Ils sont aisément transférables à d’autres contextes pédagogiques. Notamment, la réutilisation de connaissances peut se faire entre deux cours d’un programme technique ou encore d’un cours vers un milieu de stage.
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 | 0.016 | 0.032 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.007 | 0.010 |
| Scholarly communication | 0.012 | 0.009 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.007 | 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".