Improviser dans l’espace numérique: des enjeux pour les acteurs de la scène éducative
Bibliographic record
Abstract
Le présent article est une réflexion sur le concept d’improvisation dans l’espace virtuel. A partir d’une étude de cas basée sur des utilisations variées de microblogues dans un cours de langue universitaire de niveau débutant/intermédiaire, nous tenterons d’analyser les productions de quelques participants en les contrastant à certaines des caractéristiques de l’improvisation en éducation. Bien que l’improvisation soit une technique principalement utilisée en présentiel, et plus généralement en études théâtrales, nous verrons que les enjeux éducatifs résultant de l’utilisation de réseaux sociaux tels que Twitter se comparent facilement à ceux que présentent l’improvisation en éducation. Ce contraste nous permettra de mieux comprendre et de mieux gérer ces enjeux pour conduire les participants (apprenants et enseignants) de ces réseaux à improviser plus librement dans cet espace public virtuel. Notre méthodologie est de nature essentiellement qualitative ; elle propose notamment une analyse de quelques microblogues pour y repérer des marques de créativité et de spontanéité langagières. Celles-ci sont discutées dans la conclusion.
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 | 0.004 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.002 |
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".