L’engagement et les stratégies d’autorégulation des apprenants adultes en e-Formation
Notice bibliographique
Résumé
Considérant les évolutions technologiques et le mythe tenace de la « société du savoir », le besoin de développer ses compétences est de plus en plus appréhendé comme un investissement pour les travailleurs, cela leur vie durant.En plus des formations à distance, des ressources en ligne et des MOOC (Massive Open Online Courses) sont maintenant disponibles pour permettre aux adultes de développer leurs compétences.Avec le numérique, ces moyens d'autoformation deviennent plus accessibles et le développement professionnel peut se faire dans des contextes informels ou non formels.En effet, des ressources éducatives libres apparaissent sous diverses formes : sites, baladodiffusions, blogues, vidéos, etc. L'offre de formation sous forme de MOOC, devient maintenant significative.Ces dispositifs de formation étant plus largement et facilement accessibles, ils attirent des apprenants adultes dotés de profils plus variés que ceux que l'on retrouve dans les formations créditées offertes par les établissements d'enseignement.Or, à peine 10 % des inscrits terminent avec succès le MOOC auquel ils participent (Jordan, 2014).Ainsi, les préoccupations historiques envers l'abandon en e-Formation indiquent l'importance de s'intéresser aux mécanismes qui soutiennent l'engagement et la persévérance des apprenants.Pour mieux comprendre les déterminants de l'engagement des apprenants dans ces dispositifs, la perspective sociocognitive s'avère particulièrement heuristique.Le présent chapitre traite des relations entre motivation et engagement en e-Formation, en prenant assise sur un modèle d'autorégulation.Le processus d'autorégulation est vu dans le contexte des influences mutuelles formalisées dans le modèle de causalité réciproque de Bandura (1986).Les liens entre motivation, engagement cognitif, stratégies cognitives et stratégies métacognitives sont abordés dans la perspective du modèle intégrateur de l'autorégulation.Chacun des concepts est soigneusement présenté avec le souci de rapporter les principaux résultats de recherche dans le domaine de l'e-Formation.Le modèle intégrateur proposé peut notamment servir d'assise pour alimenter une réflexion conceptuelle à mobiliser dans une démarche de recherche (particulièrement pour des étudiants en master ou des doctorants) ou encore pour inspirer la conception des environnements d'e-Formation. L'approche sociocognitive de la motivation et de l'apprentissage comme fondement théoriqueLes cadres théoriques mobilisés pour aborder les liens entre motifs d'engagement, objectifs, motivation, engagement, autorégulation et stratégies d'apprentissage se situent dans la perspective des théories sociocognitives (Bandura, 1986).Les théories sociocognitives modernes de la motivationdont celle des attentes et de la valeur (« expectancy-value ») (Eccles et Wigfield, 2002 ;Pintrich, 2003) sont dérivées du cadre de l'apprentissage social (Bandura).Keller (1983) et Pintrich (2000, 2003) rappellent son postulat selon lequel on retrouve des interactions réciproques entre perceptions et anticipations de l'apprenant, environnement (besoins, valeurs, etc.) et comportements (engagement, stratégies, etc.).Ainsi, les anticipations et attentes d'un apprenant
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».