Pratiques d’enseignement\n au Canada et au Brésil intégrant les arts dans les sciences et technologies
Bibliographic record
Abstract
Intéresser les jeunes aux sciences et technologies constitue un important défi. Nos activités de recherche et d’intervention, comme didacticiens au Canada et au Brésil, nous ont conduits à vouloir identifier des pratiques gagnantes à cet effet. Nous nous sommes penchés sur celles qui intègrent les arts. Une démarche itérative entre nos référentiels conceptuels et théoriques respectifs nous a permis d’affiner notre cadre d’analyse et d’identifier quatre dimensions pour examiner nos répertoires de pratiques sous l’angle de l’intégration des arts à l’enseignement des sciences : la pédagogie de la joie, la médiation, l’engagement des élèves et l’usage de représentations multimodales. Cette analyse fait ressortir deux principaux ensembles de pratiques : celles qui intègrent la créativité et les arts comme tâche d’apprentissage, et celles qui utilisent des artéfacts culturels comme la science-fiction et la musique, comme outil d’enseignement. L’analyse plus poussée de ces pratiques montre qu’elles sont porteuses de caractéristiques susceptibles d’encourager le développement de la créativité, d’intéresser les jeunes et de développer leur sens critique. Malgré le petit nombre analysé, nous croyons que ces pratiques et le référentiel qui les caractérise sont susceptibles d’alimenter la réflexion et le développement d’un répertoire de pratiques intégrant les arts à l’enseignement des sciences et technologies.
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 | 0.007 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.027 | 0.041 |
| Scholarly communication | 0.016 | 0.006 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.003 | 0.007 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
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".