Le modèle Universal Instructional Design au service de l’égalité des chances dans les universités canadiennes : apports, enjeux et défis
Bibliographic record
Abstract
Au début des années soixante, on assiste à la démocratisation des universités par l’élargissement de l’accessibilité. Dans le sillon de cette massification, deux nouveaux groupes d’étudiants émergent. Les premiers sont généralement plus ou moins préparés à rencontrer les exigences de l’université et plusieurs d’entre eux vivent des problèmes d’adaptation importants qui s’expriment, entre autres, par des taux d’échec et d’abandon se situant entre 25 et 30 % chez les étudiants de première et deuxième années. À ces nouveaux profils d’étudiants, s’ajoutent des étudiants aux prises avec une vaste gamme de limitations fonctionnelles, pour lesquels les universités canadiennes ont l’obligation d’offrir des accommodements. Alors que plusieurs modalités d’accompagnement sont mises en place à l’intérieur comme à l’extérieur de la salle de classe pour tenter de diminuer les échecs et le décrochage scolaire du premier groupe d’étudiants sans pour autant rencontrer le succès escompté, le second groupe bénéficie d’accommodements qui contribuent largement à leur réussite scolaire. Reconnaissant que ces deux groupes rencontrent des besoins similaires, les universités américaines puis, plus récemment, certaines universités canadiennes optent pour mettre en place les principes directeurs issus d’un modèle intitulé le Universal Instructional Design qui se veut résolument inclusif. Bien que les principes dont ce modèle s’inspire soient fort louables, son application questionne et oblige l’université à redéfinir encore plus que jamais ses pratiques voire à clarifier ce qu’elle entend par sa mission éducative. Cet article tente de faire le point sur les enjeux que recèle un tel modèle dans un contexte où les finalités des programmes ne sont pas nécessairement définies.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.000 | 0.002 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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 teacher head, 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".