État des lieux des conditions d’efficacité de la formation à distance en enseignement supérieur en Afrique
Notice bibliographique
Résumé
La pandémie de COVID-19 a rendu la formation à distance (FAD) plus populaire à travers le monde et l’Afrique n’a pas fait exception. En conséquence, l’intérêt des chercheurs pour les moyens de rendre ce mode d’enseignement-apprentissage efficace s’est accru, notamment dans l’enseignement supérieur. Dans cet article, nous présentons, à partir d’une revue de littérature, un état des lieux des approches méthodologiques (quantitatives, qualitatives et mixtes) utilisées par les chercheurs pour étudier les conditions d’efficacité de la FAD dans l’enseignement supérieur en Afrique et les conditions proposées dans plusieurs des études recensées. Le résultat de notre recherche montre que ces conditions comprennent, entre autres, celles liées aux infrastructures et équipements technologiques, à la qualité d’accès à Internet, aux compétences technopédagogiques des étudiants et des enseignants, à la conception des cours, aux caractéristiques des outils d’apprentissage en ligne ainsi qu’aux ressources de soutien (pour les enseignants et les étudiants). Nous présentons également les propositions de chercheurs pour faire face à certains défis, dont les infrastructures technologiques inadéquates
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 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,010 | 0,008 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 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 ».