Liens entre les composantes des dispositifs d’enseignement hybride et les performances des étudiants de l’enseignement supérieur : une revue systématique
Notice bibliographique
Résumé
Les dispositifs d’enseignement hybride sont de plus en plus répandus dans l’enseignement supérieur. À notre connaissance, les facteurs responsables de leur efficacité sur les apprentissages ne sont pas clairement définis. Cet article a pour ambition, à travers une revue systématique de la littérature, de proposer des éléments de réponse à cette absence de connaissances. Nous présenterons un inventaire et une synthèse des éléments pédagogiques effectivement mis en place dans ce type de dispositif pour mettre en évidence les composantes pédagogiques en lien avec les performances des étudiants, selon la typologie de Burton et ses collaborateurs (2011). À cet égard, nous interrogeons quatre bases de données bibliographiques afin d’en extraire tous les documents (n = 1767) qui étudient l’enseignement hybride. Le corpus d’articles analysés comprend 21 études dans lesquelles sont comparés des dispositifs d’enseignement hybride à d’autres types d’enseignement (apprentissage en ligne et enseignement traditionnel). Un examen de ces documents met en lumière cinq composantes pédagogiques montrant un effet sur les apprentissages. Sans prétendre à une hiérarchisation de ces catégories, nous en proposons une discussion et une synthèse.
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 | 0,021 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,012 | 0,017 |
| Études des sciences et des technologies | 0,004 | 0,010 |
| Communication savante | 0,020 | 0,021 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».