L’apprentissage par la simulation en enseignement supérieur : au-delà des effets didactiques
Notice bibliographique
Résumé
Le recours à la simulation dans l’enseignement supérieur est une pratique qui connait de plus en plus de succès. Si les effets didactiques des dispositifs d’apprentissage par simulation sont largement étudiés dans la littérature, il existe actuellement un manque de clarté sur les effets globaux de l’apprentissage par simulation. Ces effets inconnus, non anticipés dans la conception de la simulation pourraient engendrer des conséquences sur l’apprenant et son apprentissage. Une approche narrative de l’expérience de simulation de 21 étudiants soumis à des séances de simulation dans le cadre de leurs études en enseignement supérieur en Belgique francophone a été réalisée pour comprendre et décrire les effets présumés des dispositifs d’apprentissage par simulation. L’analyse de contenu thématique a permis d’identifier cinq principaux types d’effets rapportés de l’apprentissage par simulation. Outre les effets prévisibles sur l’apprentissage, des effets émotionnels, socio-relationnels, identitaires et motivationnels ont été constatés. La variété des effets rapportés par les étudiants nous amène à reconsidérer la pensée restrictive présente dans la littérature actuelle sur les effets de la simulation. Un modèle est proposé pour prendre en compte les cinq types d’effets (et possiblement d’autres effets encore non identifiés) et leurs dynamiques d’influence mutuelle.
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 | 0,006 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 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 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 ».