Les technologies éducatives au profit du développement des athlètes
Notice bibliographique
Résumé
L’émergence grandissante des technologies n’est plus une surprise pour personne. Depuis les dernières années, les chercheurs ont avancé plusieurs hypothèses et présenté autant de résultats sur les retombées avantageuses que procure l’usage des technologies éducatives sur l’apprentissage (Bulfin, Johnson et Bigum, 2015). À cet effet, plusieurs études s’intéressent à l’impact et à l’utilisation efficace de différentes technologies éducatives pour l’ensemble des matières à l’école. Néanmoins, l’éducation physique semble être le mouton noir. De ce fait, très peu d’études expliquent comment, en éducation physique, les technologies éducatives sont utilisées ainsi que l’optimisation des apprentissages qu’elles engendrent (Casey, Goodyear, et Armour, 2016). Pourtant, tout comme les apprenants, les athlètes pourraient également bénéficier des retombées avantageuses de l’utilisation des technologies éducatives afin de développer leurs qualités athlétiques. La présente recherche permet de comprendre comment l’usage de certaines technologies éducatives peut contribuer au développement des qualités athlétiques en tentant de répondre à la question suivante : Comment la ludification, la réalité virtuelle (RV) immersive et l’intelligence artificielle (IA) peuvent-elles contribuer au développement des qualités athlétiques? Afin de répondre à cette question, une analyse de la littérature est d’abord effectuée. Ensuite, un cadre théorique est élaboré. Ce dernier se base sur la création d’une synergie entre deux théories appliquées au contexte sportif et l’exploitation de ces trois stratégies pédagogiques intégrant les technologies éducatives innovantes du 21e siècle pour le développement de qualités athlétiques. Le cadre proposé permet d’envisager l’hybridation de l’enseignement et de l’apprentissage, lié au développement des qualités athlétiques.
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 | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,006 |
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 ».