L’auto-efficacité des enseignantes et enseignants du supérieur à enseigner avec le numérique, de la période Covid à nos jours
Notice bibliographique
Résumé
Avec la pandémie causée par la Covid-19, l’usage du numérique s’est imposé et traduit par des pratiques très diversifiées dans le contexte de l’enseignement supérieur. Enseigner à distance suppose cependant que les personnes enseignantes (PE) détiennent des compétences techniques pour exploiter au mieux le numérique au service de leurs objectifs pédagogiques. Mobilisant la théorie sociocognitive de Bandura, cette étude utilise une enquête par questionnaire auprès de 290 PE pour valider une échelle d’auto efficacité à l’enseignement en ligne (AE) et examiner ses relations avec les attitudes, les pratiques d’enseignement à l’aide du numérique, ainsi que le sexe des répondants. Après validation de l’échelle unidimensionnelle, les résultats révèlent pour une AE élevée une corrélation positive et significative avec l’éventail d’outils mobilisés et des corrélations négatives (et significatives) avec les émotions et croyances négatives sur le numérique. L’étude identifie également une différence significative entre les sexes, les hommes ayant un niveau d’AE supérieur à celui des femmes, malgré une plus grande participation de ces dernières aux formations numériques. En conclusion, l’AE émerge comme un facteur déterminant pour l’adaptation des PE aux exigences du numérique en enseignement supérieur, soulignant l’importance des initiatives de formation pour renforcer ce dernier.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».