MétaCan
Menu
Retour à la cohorte
Enregistrement W4391558593 · doi:10.21432/cjlt28415

Les inégalités numériques en éducation : une revue narrative de littérature

2024· article· fr· W4391558593 sur OpenAlexvenueno aff
Prisca Fenoglio

Notice bibliographique

RevueCanadian Journal of Learning and Technology · 2024
Typearticle
Languefr
DomaineArts and Humanities
ThématiqueLiteracy, Media, and Education
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNarrativeMathematics educationInequalityHigher educationPedagogyStory tellingQualitative researchSociologyPsychologyLiteratureSocial scienceArtPolitical scienceMathematics

Résumé

récupéré en direct d'OpenAlex

Cette contribution est une revue narrative de littérature issue d’une synthèse de médiation scientifique sur les inégalités numériques en éducation, dont l’objectif est de (1) prolonger notre synthèse par les questions suivantes : quels chantiers pour la recherche ? Quels concepts heuristiques ? Quelles pistes pour la pratique ? (2) réfléchir aux liens entre la recherche et la médiation scientifiques. Notre ancrage théorique est à la croisée de l’approche sociocritique des usages numériques éducatifs, de la didactique et de la médiation scientifique. Notre corpus, dont les critères d’inclusion sont explicités, est constitué de 80 études issues de travaux européens et nord-américains publiés entre 2002 et 2022. Cette étude permet de mettre au jour, en réponse à nos questions : des problématiques en chantier – une cartographie des inégalités d’usage chez les personnes enseignantes à compléter, des liens avec les parcours scolaires à préciser, des biais de conception à examiner, des notions désignant la participation (ou l’exclusion) aux environnements numériques à creuser –, ainsi que des concepts féconds d’un point de vue heuristique et, possiblement, pour la pratique, tels que le capital numérique et la littéracie.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,029
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,084

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,029
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0070,009
Études des sciences et des technologies0,0070,025
Communication savante0,0150,024
Science ouverte0,0020,007
Intégrité de la recherche0,0050,008
Charge utile insuffisante (le modèle a refusé de juger)0,0160,002

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,271
Écart entre enseignants0,257 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Learning and TechnologyMême sujetLiteracy, Media, and EducationTravaux en français237 207