La classe inversée comme approche pédagogique en enseignement supérieur : état des connaissances scientifiques et recommandations
Bibliographic record
Abstract
De nombreuses sphères de la société font pression sur l’enseignement supérieur pour que les besoins de l’apprenant soient mieux pris en compte. La classe inversée pourrait avoir des impacts positifs tant sur l’apprentissage que sur la satisfaction des apprenants. Cet article a pour but de présenter une vue d’ensemble de la recherche réalisée sur la classe inversée en enseignement supérieur. Une recension des écrits publiés sur une période de 15 ans soit de l’an 2000 à 2015 a été réalisée. Les constats sont présentés en mettant en évidence à la fois les bénéfices et les limites d’une telle approche, du point de vue des étudiants comme des enseignants. Des recommandations pour les enseignants et les institutions d’enseignement supérieur sont ensuite dégagées. Cet article contribue à mieux connaitre la classe inversée, telle qu’elle a été documentée empiriquement, et d’éclairer les praticiens qui souhaiteraient la mobiliser le plus efficacement possible, et ce, peu importe le contexte disciplinaire.
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 | 0.042 | 0.090 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.005 | 0.013 |
| Scholarly communication | 0.015 | 0.015 |
| Open science | 0.003 | 0.009 |
| Research integrity | 0.003 | 0.008 |
| Insufficient payload (model declined to judge) | 0.022 | 0.003 |
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".