L’usage des technologies numériques pour le développement de compétences multimodales en littératie au 21e siècle
Bibliographic record
Abstract
L’omniprésence du numérique dans toutes les sphères de nos activités quotidiennes suscite de nouveaux enjeux éducatifs qui exigent une réflexion critique sur l’émergence de nouvelles compétences en littératie adaptées aux besoins des citoyens qui travaillent dans cette ère numérique (Romero, Lille et Patiño, 2017). À la lumière de ces nouveaux défis éducationnels, cet article présente une étude sur l’apport de l’usage des technologies numériques dans le développement de compétences multimodales en littératie au 21 e siècle. Plus précisément, il traite d’une étude réalisée en salles de classe primaire et secondaire en contexte d’immersion française dans l’une des provinces anglophones du Canada et portant sur l’apport de l’usage des technologies numériques (par exemple, les iPod et les tablettes) dans le développement de compétences multimodales en littératie. L’analyse de données numériques, comme des vidéos et des artefacts multimodaux créés à l’aide d’applis ( apps ) par les élèves, dévoile l’apport des possibilités ( affordances , terme anglais) offertes par les nouveaux outils numériques dans le développement de compétences multimodales en littératie. Les résultats indiquent particulièrement la contribution des possibilités offertes par ces outils dans la création de nouveaux modes d’expression, de représentation de la pensée, d’action et d’engagement qui, à leur tour, favorisent le développement de compétences multimodales nécessaires au 21 e siècle. Ces résultats sont discutés à la lumière des théories d’apprentissage documentées par la recherche dans le domaine des neurosciences cognitives et par des études antérieures sur le concept de multimodalités.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.018 | 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".