Enseignement transmissif, apprentissage actif : usages du podcasting par les étudiants universitaires
Bibliographic record
Abstract
Publier des enregistrements audiovisuels de cours ou des séquences complémentaires sous forme de podcasts à l’attention des étudiants ne va pas sans poser de questions : comment utilisent-ils ces médias ? Est-ce une échappatoire au cours en présentiel ? Quels sont les impacts sur l’apprentissage ? L’investissement en temps de l’enseignant est-il rentabilisé ? Les résultats issus de recherches antérieures peuvent être qualifiés de dichotomiques : les uns arguant que le podcasting n’a pas d’effet notable, les autres concluant que l’outil opère certains effets positifs sur les résultats, la motivation ou l’anxiété. Complémentairement à ces études considérant les technologies comme des entités indépendantes des individus et des contextes, notre recherche adopte une approche centrée sur les utilisateurs afin d’analyser la manière dont les étudiants, au sein d’un dispositif donné, intègrent le podcasting dans leurs stratégies d’apprentissage. La recherche a été réalisée auprès d’étudiants provenant de douze cours de l’Université libre de Bruxelles en utilisant un questionnaire (n = 2247), des entretiens compréhensifs (n = 23) et une grille d’analyse des dispositifs pédagogiques. Le croisement de ces analyses de données permet de saisir le sens que les étudiants accordent au podcast, la manière dont ils se l’approprient et infléchissent certaines de ses modalités afin qu’il réponde au mieux à leurs besoins en termes d’apprentissage.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.011 | 0.055 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".