MétaCan
Menu
Back to cohort
Record W7070742003

Pratiques d’enseignement\n au Canada et au Brésil intégrant les arts dans les sciences et technologies

2017· article· fr· W7070742003 on OpenAlexaboutno aff

Bibliographic record

VenueÉrudit (Université de Montréal) · 2017
Typearticle
Languagefr
FieldBiochemistry, Genetics and Molecular Biology
TopicMachine Learning in Bioinformatics
Canadian institutionsnot available
Fundersnot available
KeywordsThe artsHuman scienceLimitingContext (archaeology)
DOInot available

Abstract

fetched live from OpenAlex

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Science and technology studies
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Not applicable · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.737
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0000.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0030.001
Scholarly communication0.0000.000
Open science0.0010.001
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0000.000

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.

Opus teacher head0.008
GPT teacher head0.210
Teacher spread0.202 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designNot applicable
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2017
Admission routes1
Has abstractyes

Explore more

Same venueÉrudit (Université de Montréal)Same topicMachine Learning in BioinformaticsFrench-language works237,207