Democratic Didactics in Digitalized Higher Education: The DEA Framework for Teaching and Learning
Notice bibliographique
Résumé
Higher education (HE) has become a central site where the relations between democracy, pedagogy and technology are being reshaped through algorithmic infrastructures. In this context, a specific tension becomes visible: as educational processes become intertwined with systems of classification, prediction and optimization, recognition risks becoming conditional on data legibility, while pedagogical judgement is redirected toward procedural efficiency. Against this background, this article investigates how subjectivity, recognition and pedagogical responsibility can be conceptually framed when formative encounters are mediated through pedagogical practice as well as through algorithmic operations. To address this question, it develops the DEA model (Democratic Education under Algorithmic Conditions) as a reflexive, education–theoretical heuristic grounded in educational theory, subjectivation research, democratic thought and critical data studies. The model positions education, democracy and digitalisation as interdependent fields and specifies three analytical dimensions: formative, normative and inferential. These are elaborated through relational vectors and framing structures that include societal discourses, institutional configurations, cultural imaginaries and biographical conditions. The reconstruction shows how pedagogical responsibility becomes vulnerable to displacement by optimization routines, how recognition is reorganised by regimes of data legibility and how didactic relations are reconfigured through automated feedback and recommendation systems. Rather than prescribing technical solutions, the DEA model offers a conceptual orientation for tracing how algorithmic mediation redistributes recognition, responsibility and legitimacy in HE, and for sustaining Bildung and democratic subject formation under digital conditions.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».