Enseignement transmissif, apprentissage actif : usages du podcasting par les étudiants universitaires
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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 découle