Vers une didactique des gestes d’inclusion soutenus par le numérique ? Une analyse secondaire de travaux récents sur les compétences enseignantes plurielles pour favoriser l’éducation inclusive au et par le numérique
Bibliographic record
Abstract
L’éducation inclusive et le numérique ont de fortes répercussions sur les pratiques éducatives, réinterrogeant les compétences enseignantes nécessaires pour intégrer le numérique dans une perspective inclusive. Nous examinons, par une étude secondaire de travaux conduits récemment, en quoi l’éducation inclusive au et par le numérique renouvelle et/ou reconfigure les compétences enseignantes. Cette contribution montre la nécessité de favoriser une approche réflexive et critique du numérique pour inclure, constituée d’un travail sur les postures et les représentations, des compétences techniques, légales, collaboratives, pédagogiques et didactiques. Cette approche vise à développer la prise en compte de la diversité, la gestion polyvalente de la différenciation, de la variété et de la flexibilité des supports, des tâches, des évaluations et des stratégies, le partenariat avec les personnes concernées, la littéracie et la citoyenneté numériques. Dans cette perspective, une didactique des gestes professionnels inclusifs soutenus par le numérique gagnerait à être développée.
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 | 0.014 | 0.027 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.007 | 0.028 |
| Scholarly communication | 0.019 | 0.016 |
| Open science | 0.002 | 0.013 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.010 | 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".