L’évolution du rapport aux savoirs numériques après la pandémie : Genre, compétences et sentiment de compétence des enseignantes et enseignants
Notice bibliographique
Résumé
Les malentendus entre école et numérique trouvent leur origine dans une combinaison de facteurs, certains concrets et d’autres de l’ordre des croyances. D’une part, l’insuffisance de moyens, ou l’absence de formation initiale et continue constituent des obstacles facilement observables et objectivables. Ces constats, appuyés par diverses études, montrent qu’en dépit des nombreuses initiatives gouvernementales, l’intégration des technologies éducatives reste imparfaite à l’école. D’autre part, des représentations concernant le numérique éducatif renforcent ces difficultés. Ces perceptions doivent être analysées sous l’angle du genre, car le corps enseignant, majoritairement féminin, contraste fortement avec les métiers du numérique où les femmes ne représentent qu’environ 17 %. La crise de COVID-19 en 2020 a contraint le corps enseignant à utiliser le numérique en urgence, sans formation ni ressources, bouleversant les représentations. Le but de cet article est de voir ce qui reste des représentations genrées du numérique. Deux corpus – 1054 questionnaires et 24 entretiens semi-directifs – permettent d’étudier l’évolution de ce rapport avant et après la pandémie. Si on constate dans les questionnaires que les femmes ont un rapport au numérique plus serein après la pandémie, elles peinent dans les entretiens à se déclarer compétentes, contrairement aux hommes, et malgré des pratiques avérées.
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 | 0,005 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».