Ressources éducatives par des humains pour des humains : trouver, cocréer et valider [symposium]
Notice bibliographique
Résumé
**Cette version présente une version mise à jour du document Grille d’autoévaluation de la qualité d’une ressource éducative numérique (REN) en formation à distance (FAD)** Supports de présentations utilisés lors des trois communications du symposium Ressources éducatives par des humains pour des humains : trouver, cocréer et valider qui s'est déroulé dans le cadre du colloque ROC 2025. Résumé du symposium : Avec l’explosion du numérique depuis quelques années, et en particulier depuis la COVID et l’émergence des systèmes d’IAG, les pratiques pédagogiques ont grandement évolué. D’ailleurs, différents référentiels de compétence ont vu le jour dans la dernière décennie dont le Cadre de référence de la compétence numérique (MÉES, 2019) et le Référentiel de compétences informationnelles en enseignement supérieur (GT-PDCI, 2016). Mentionnons aussi l’apparition de plusieurs autres référentiels de compétences destinés tantôt aux personnes enseignantes (CPU, 2025), aux personnes conseillères pédagogiques (Simard et Basque, 2017) ou aux personnes étudiantes (Miao et al., 2025; Lamy et Sicotte, 2022). Chaque membre de la communauté de l’enseignement supérieur au Québec doit maintenant développer ses compétences avec le numérique, qu’il s’agisse de repérer des ressources pertinentes, d’en créer ou de les évaluer avant de les partager. Ce symposium vise à explorer ces compétences que doivent développer des humains (les personnes enseignantes), pour des humains (les personnes étudiantes). Il y sera question de compétences informationnelles ou numériques, de savoir-être, de collaboration, ainsi que de pensée critique. Trois organisations québécoises prendront la parole: Collecto, qui traitera de la recherche de ressources dans PavillonREN; la fabriqueREL, qui abordera la cocréation de ressources; et le Pôle d’expertise interordres en formation à distance, qui s’attardera à la validation de ressources autoproduites dans un but de partage. Nous examinerons la complémentarité de ces trois organisations dans leurs efforts pour permettre de mieux exploiter les ressources développées par des humains pour des humains. Références Centre de pédagogie universitaire (CPU) (2025). Référentiel de compétences pédagogiques à l’intention du personnel enseignant universitaire. Université de Montréal. https://cpu.umontreal.ca/formations/referentiel-de-competences/ Lamy, C., et Sicotte, A. (2022). Référentiel des compétences numériques attendues des étudiantes et étudiants de l'Université Laval. Université Laval. https://doi.org/10.5281/zenodo.13644546 Miao, F., Shiohira, K., Lao, N. (2025). Référentiel de compétences en IA pour les apprenants. UNESCO. https://doi.org/10.54675/NXRY6511 Ministère de l’Éducation et de l’Enseignement supérieur. (2019). Cadre de référence de la compétence numérique. https://cdn-contenu.quebec.ca/cdn-contenu/education/Numerique/Cadre-reference-competence-num.pdf Groupe de travail de la Promotion du développement des compétences informationnelles (GT-PDCI) du réseau de l’Université du Québec. (2016). Référentiel de compétences informationnelles en enseignement supérieur. Le réseau de l’Université du Québec. https://bibliotheque.uqac.ca/ld.php?content_id=35390488 Simard, C. et Basque, J. (2017). Le conseil - Un référentiel de compétences de conseil en pédagogie de l'enseignement supérieur à distance. Dans P. Pelletier et A. Huot (dir.), Construire l’expertise pédagogique et curriculaire en enseignement supérieur : connaissances, compétences et expériences (p. 99-115). Presses de l'Université du Québec. https://r-libre.teluq.ca/1038/
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 | 0,039 | 0,116 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,006 |
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 ».