La cyberintimidation à l’épreuve du milieu scolaire québécois : regards d’intervenants sur l’irruption des nouvelles technologies à l’école
Bibliographic record
Abstract
Au Québec, l’émergence des technologies de l’information et des communications (TIC) dans le milieu scolaire suscite régulièrement l’attention des médias et du monde politique, souvent par le filtre de la cyberintimidation. Mais qu’en pense le milieu scolaire lui-même? Pour le savoir, nous avons mené des entretiens semi-directifs auprès d’acteurs de terrain issus de deux commissions scolaires, dans deux régions différentes. Ces entretiens ont été riches d’enseignements. En laissant ces acteurs circonscrire eux-mêmes les problèmes que posent à l’espace scolaire les TIC, notamment l’irruption des réseaux sociaux à l’école, nous avons pu établir que 1) la rhétorique de la cyberintimidation trouvait peu d’écho (voire pas du tout) parmi les acteurs de terrain, 2) les problèmes posés par les TIC en milieu scolaire ne tenaient pas seulement aux possibles souffrances vécues par les jeunes, 3) ces problèmes concernaient aussi l’insaisissabilité d’un phénomène (qu’est-ce que la cyberintimidation?), la porosité des murs de l’école (où commence et où s’arrête-t-elle?), et la non-maîtrise d’un environnement (faut-il ou non intégrer les TIC à la socialisation scolaire?). Notre recherche met donc en garde contre des analyses un peu trop hâtives et consensuelles au regard de la guerre à la (cyber)intimidation.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.023 | 0.020 |
| Scholarly communication | 0.008 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.010 | 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 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".