Traduction, adaptation et évaluation psychométrique préliminaire d’une mesure d’engagement et d’une mesure de charge cognitive en contexte d’apprentissage numérique
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
Contexte : L’apprentissage numérique chez les professionnels de la santé amène des défis comme le manque d’engagement et l’excès de charge cognitive. Toutefois, il n’existe pas de mesures d’engagement et de charge cognitive validées en français. De telles mesures permettraient de considérer ces variables dans le développement de formations numériques et l’évaluation de leurs effets. Buts : (1) Traduire et adapter la User Engagement Scale – Short Form et le Cognitive Load Index en français ; (2) Effectuer une évaluation psychométrique préliminaire des échelles afin d’examiner leurs caractéristiques, les corrélations entre les sous-échelles et la cohérence interne. Méthode : La traduction et l’adaptation ont été réalisées selon Sousa et Rojjanasrirat (2011). Pour l’évaluation des propriétés psychométriques, des étudiants en sciences infirmières ont répondu en ligne à l’Échelle d’engagement de l’utilisateur – Forme abrégée (EEU-FA) et à l’Indice de charge cognitive (IDCC). Les données ont été analysées par des statistiques descriptives, des coefficients de corrélation de Pearson, des coefficients omega ( ω ) de McDonald et des coefficients alpha ( α ) de Cronbach. Résultats : Cinquante-sept participants ont complété l’étude. La majorité des distributions étaient normales. Les corrélations entre les sous-échelles étaient entre 0,03 et 0,64 pour l’EEU-FA, et entre −0,12 à 0,41 pour l’IDCC. Les coefficients ω pour l’EEU-FA (0,77 à 0,89) et α pour l’IDCC (0,70 à 0,96) démontrent une bonne cohérence interne. Conclusions : Cette étude a permis de traduire et d’adapter en français des mesures d’engagement et de charge cognitive en contexte numérique. Les échelles font état de bonnes qualités psychométriques préliminaires.
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 | 0,014 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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