Instrumenter l’apprentissage autodirigé avec le numérique : au-delà des environnements personnels d’apprentissage
Notice bibliographique
Résumé
L’autoformation sur Internet a été longtemps étudiée au prisme de la notion d’apprentissage autodirigé. Sur le plan technologique, c’est initialement à travers la notion d’environnement personnel d’apprentissage (EPA) que l’agentivité des apprenants dans les pratiques d’autoformation a été étudiée. Ces écosystèmes d’outils digitaux permettent de structurer des apprentissages en dehors de tout cadre institué. La manière d’appréhender l’instrumentation du butinage pourrait néanmoins évoluer dans les années à venir au-delà du seul périmètre des EPA, et ce à au moins deux titres. En premier lieu, apparaissent des plateformes dédiées spécifiquement à l’apprentissage autodirigé en ligne, réunissant en un seul endroit des fonctionnalités auparavant dispersées au sein d’une palette d’outils génériques. En second lieu, les normes du e-learning évoluent pour prendre en compte des apprentissages informels réalisés en dehors de dispositifs de cours en ligne. Ce changement de paradigme est symbolisé par le remplacement progressif de la norme SCORM par la norme xAPI. Dans cette contribution, nous présentons cette évolution tant des plateformes que de la manière de considérer les analytiques de l’apprentissage. Nous débattons de la signification de cette évolution en termes de manière de penser, sur le plan technologique, l’apprentissage en ligne autodirigé.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 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 tête enseignante, 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 ».