Enseignement transmissif, apprentissage actif : usages du podcasting par les étudiants universitaires
Notice bibliographique
Résumé
Publier des enregistrements audiovisuels de cours ou des séquences complémentaires sous forme de podcasts à l’attention des étudiants ne va pas sans poser de questions : comment utilisent-ils ces médias ? Est-ce une échappatoire au cours en présentiel ? Quels sont les impacts sur l’apprentissage ? L’investissement en temps de l’enseignant est-il rentabilisé ? Les résultats issus de recherches antérieures peuvent être qualifiés de dichotomiques : les uns arguant que le podcasting n’a pas d’effet notable, les autres concluant que l’outil opère certains effets positifs sur les résultats, la motivation ou l’anxiété. Complémentairement à ces études considérant les technologies comme des entités indépendantes des individus et des contextes, notre recherche adopte une approche centrée sur les utilisateurs afin d’analyser la manière dont les étudiants, au sein d’un dispositif donné, intègrent le podcasting dans leurs stratégies d’apprentissage. La recherche a été réalisée auprès d’étudiants provenant de douze cours de l’Université libre de Bruxelles en utilisant un questionnaire (n = 2247), des entretiens compréhensifs (n = 23) et une grille d’analyse des dispositifs pédagogiques. Le croisement de ces analyses de données permet de saisir le sens que les étudiants accordent au podcast, la manière dont ils se l’approprient et infléchissent certaines de ses modalités afin qu’il réponde au mieux à leurs besoins en termes d’apprentissage.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».