Professionnalisation des enseignants et l’intégration des TNs : regards croisés en formation initiale
Notice bibliographique
Résumé
Les résultats mettent en exergue une hiérarchie différenciée dans les préférences déclarées des étudiants : les smartphones et les PC constituent les dispositifs les plus fréquemment mobilisés à des fins pédagogiques, tandis que les tablettes restent marginalisées. Du côté des applications, des plateformes éducatives, des cours en ligne et des logiciels spécialisés affichent des taux d’utilisation élevés. Ces résultats traduisent une dépendance aux environnements numériques structurés. À l’inverse, les outils plus généralistes, tels que Google Scholar, YouTube ou les réseaux sociaux, présentent des usages plus hétérogènes, étroitement liés aux objectifs académiques. L’analyse statistique révèle une forte variabilité des pratiques numériques, soulignant l’hétérogénéité des profils d’appropriation numérique. L’échelle de Likert a permis de capter les nuances attitudinales des étudiants vis-à-vis de ces outils. Cette étude souligne la nécessité de renforcer les compétences numériques des étudiants et de promouvoir une intégration plus stratégique et réflexive des technologies éducatives dans la formation initiale. Elle appelle à des réformes pédagogiques davantage alignées sur les usages réels observés, tout en favorisant une appropriation réfléchie des outils fondés sur l’IA. Elle constitue à la fois un état des lieux empirique et une base de réflexion pour accompagner l’évolution des relations entre étudiants et écosystèmes numériques dans le contexte universitaire tunisien.
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 | 0,012 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,007 | 0,007 |
| Communication savante | 0,012 | 0,010 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,035 | 0,007 |
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 ».