Modèle d’intégration du numérique en éducation : Création et vérification de l’utilisabilité
Notice bibliographique
Résumé
Différents modèles d’intégration du numérique permettent de penser l’intégration des outils numériques en éducation dans une perspective d’amélioration des pratiques d’enseignement-apprentissage (Fiévez, 2017). Néanmoins, seuls deux modèles se centrent, de manière intégrée, à la fois sur le caractère innovant du recours aux outils numériques et sur l’amélioration de l’apprentissage des élèves : les modèles SAMR (Puentedura, 2010) et ASPID (Karsenti & Bugmann, 2018). Présentant certaines carences, notamment méthodologiques, ces modèles nous ont conduits à en proposer un nouveau qui permettrait d’appréhender la relation entre la transformation des pratiques d’enseignement par l’intégration du numérique et l’amélioration des apprentissages chez les apprenants. Sur la base de ce modèle, 56 analyses de pratiques ont été réalisées. Des entretiens préalables avec les enseignants, des enregistrements de la séquence et des entretiens de débriefing ont permis de récolter les données nécessaires à ces analyses. Cet article présente à la fois la méthodologie de l’élaboration du modèle, le modèle en lui-même et les résultats des analyses de pratiques réalisées afin de vérifier son utilisabilité.
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 | 0,008 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 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 ».