COURLIS (COURs en LIgne de Statistiques appliquées). Un MOOC francophone innovant
Bibliographic record
Abstract
Introduction : Les universités numériques thématiques permettent un accès libre et gratuit à des ressources validées. Certaines de ces universités ont évolué vers des formations à distance permettant notamment la création de DIU internationaux ouverts à un grand nombre de pays francophones. L’enseignement en PACES est un exemple de pédagogie des grands groupes où dans certaines universités, l’utilisation d’un environnement numérique de travail permet de remplacer les méthodes traditionnelles d’enseignement. Les MOOC apportent une étape supplémentaire puisqu’il s’agit d’un enseignement gratuit, entièrement à distance destiné à un très grand nombre de participants, sans aucun prérequis. Le travail présenté décrit la mise en place d’un MOOC francophone transversal en statistiques appliquées, appelé COURLIS. Matériel et méthodes : La base de départ de COURLIS est représentée par les ressources développées par les UNT. La formation, gratuite, ouverte, entièrement à distance et tutorée est d’un niveau licence et peut donner lieu à une attestation de suivi payante. La certification payante est attribuée après un examen final. Les objectifs sont représentés par un socle commun de connaissances statistiques appliquées. La méthode pédagogique est active de type connectiviste avec une interactivité entre apprenants et enseignants, des devoirs personnels et des évaluations formatives. Résultats : Plusieurs universités font partie du consortium qui se met en place. Le travail étudiant est estimé à environ cent heures réparties sur 4 mois avec deux sessions de certification. Conclusion : Ce projet innovant permet d’être sur la scène des MOOC. Les valences professionnelle et académique apprécieront la réussite du projet.
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 | 0.007 | 0.026 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.066 | 0.009 |
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".