Entre persévérance et abandon en formation universitaire à distance : divers facteurs à prendre en compte
Notice bibliographique
Résumé
Le taux d'abandon en formation à distance est souvent pointé comme une limite de ce mode d’enseignement-apprentissage. De fait, la persévérance dans les études universitaires, notamment au premier cycle, est souvent considérée comme problématique et le fait d’étudier à distance ajoute d’autres facteurs susceptibles d’influencer le parcours des étudiants. Alors que plusieurs chercheurs ont constaté que même si les résultats académiques antérieurs demeurent le meilleur indicatif de réussite et de persévérance dans les études postsecondaires, une part des abandons serait causée par une mauvaise adaptation à l’environnement universitaire. Dès lors, quels sont les facteurs susceptibles d’amener les étudiants commençant une formation universitaire à distance à persévérer ou abandonner ? Tandis que les recherches portent souvent sur l’influence d’un facteur particulier, nous proposons de présenter quelques résultats d’une recherche portant tant sur les profils sociodémographiques des apprenants, que sur leurs stratégies d’apprentissage, le design pédagogique des cours suivis et l’encadrement reçu dans ces derniers. Nous verrons notamment que l’étude du design des cours (très peu pratiqué) donne des résultats prometteurs.
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 | 0,014 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,007 |
| Communication savante | 0,010 | 0,006 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 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 ».