Présentation: Jeux et apprentissage dans les mondes numériques
Bibliographic record
Abstract
Au regard du développement important et rapide des jeux vidéo et du questionnement qu’ils suscitent parmi la communauté éducative, plusieurs chercheurs, jeunes ou expérimentés, ont mis en commun leurs réflexions. Issus de part et d’autre de l’Atlantique, ces chercheurs francophones se sont réunis pour un colloque qui s’est déroulé à Montréal dans le cadre des conférences de l’Association francophone pour le savoir (ACFAS) en mai 2010. Cette conférence, reconduite en 2011, a donné lieu à des présentations de travaux très variés et de grande qualité sur le thème général des jeux et de l’apprentissage, et en particulier sur le thème des jeux sérieux, c’est-à-dire des jeux assurant une certaine compétition intellectuelle contre un ordinateur dans un but éducatif (Zyda, Mayberry, McCree & Davis, 2005). Ce numéro spécial de la Revue canadienne de l’apprentissage et de la technologie est le fruit de cette rencontre. Il reprend les meilleures présentations et témoigne ainsi de la naissance d’une communauté de recherche francophone sur les jeux et les apprentissages dans les mondes numériques. Avant de synthétiser les recherches des auteurs impliqués dans ce projet, nous voudrions esquisser brièvement les principales problématiques qui ont conduit à la rencontre de 2010. Enfin, la conclusion proposera une mise en perspective du sujet en intégrant quelques réflexions issues des différents travaux repris dans ce numéro spécial.
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 | 0.002 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.089 | 0.011 |
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".