Notice bibliographique
Résumé
Le numérique en éducation n’a jamais été aussi accessible et promu qu’aujourd’hui. Or, lors de son dernier rapport mondial de suivi sur l’éducation, UNESCO décrit le manque de données fiables et objectives concernant l’impact du numérique en éducation (2023). En effet, l’organisation constate que plusieurs recherches très optimistes à l’égard des appareils numériques en classe sont majoritairement produites par des entités ayant des intérêts personnels à promouvoir leur intégration (par exemple Pearson). Pourtant, plusieurs élèves à besoins particuliers, notamment les élèves autistes de haut niveau, reçoivent de façon quasi-systématique un ordinateur portable dès que l’on applique la mesure 30810 à leur dossier. Les élèves autistes ont donc la possibilité d’utiliser ces outils de façon quasi-permanente à l’école. De plus, la connexion WIFI disponible dans l’ensemble des écoles fait en sorte qu’il n’y a plus de frontière entre les usages numériques pour des raisons scolaires ou personnelles ; l’élève peut passer d’une pratique à une autre avec ses appareils numériques sans aucune répercussion (Collin et al., 2015). Malgré cela, le cursus québécois n’a pas élaboré un cours précis pour le développement des compétences numériques dans un contexte scolaire. Considérant donc que les enfants développent un rapport au numérique tout d’abord et avant tout dans un contexte à l’extérieur de l’école (Fluckiger, 2008), il devient nécessaire de se pencher sur la question des usages numériques extrascolaires des adolescent.e.s autistes de haut niveau et de leur influence sur l’engagement scolaire.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,004 |
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 ».