Usages inclusifs du numérique pour soutenir les apprentissages et l’engagement des élèves au secondaire
Notice bibliographique
Résumé
L’intégration du numérique dans l’enseignement secondaire est désormais incontournable. Toutefois, tous les élèves ne disposent pas du même accès aux technologies ni des mêmes habiletés numériques ou expériences d’usage, ce qui influence leur capacité à en tirer profit. Cette disparité s’explique, d’une part, par les différences dans l’utilisation des technologies par les enseignants et, d’autre part, à la fois par la diversité des pratiques numériques des personnes enseignantes et par l’hétérogénéité des besoins et préférences des apprenants. Cette recherche vise à mettre en lumière la diversité des besoins et préférences des élèves du secondaire en matière d’usage du numérique, en s’alignant avec les principes de la conception universelle de l’apprentissage (CUA). Plus précisément, cette étude cherche à comprendre et à expliquer quels usages du numérique, adoptés par les personnes enseignantes, favorisent l’apprentissage et l’engagement d’un large éventail d’élèves, en tenant compte de leurs besoins individuels dans une perspective inclusive. Menée selon une approche méthodologique qualitative descriptive, elle se base sur des entrevues individuelles menées avec 17 personnes enseignantes et 40 élèves au secondaire, dans une diversité de niveaux et d’écoles au Québec. Les résultats sont organisés selon les trois grands principes de la CUA, de façon à mettre en relief les pratiques et usages du numérique susceptibles de soutenir les apprentissages et l’engagement d’une variété d’élèves en enseignement secondaire, dans une perspective inclusive.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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 ».