L’évaluation des apprentissages à distance. Qu’en est-il à l’Université TÉLUQ ?
Bibliographic record
Abstract
La formation à distance (FAD) connait une évolution significative, rapide et continue dans plusieurs régions du monde (CSE, 2015). Au Canada, il est aisé de constater que les établissements d’enseignement supérieur accordent de plus en plus d’importance au développement de la FAD et de l’apprentissage en ligne (Bates et al., 2017). Depuis plus de quarante ans, l’Université TÉLUQ fait partie des établissements actifs dans le domaine de la FAD au Québec et au Canada. Au fil des ans, le savoir-faire des équipes multidisciplinaires et les procédés de conception ont permis la mise en place de diverses pratiques d’enseignement-apprentissage, mais également de pratiques d’évaluation des apprentissages à distance et intégrant des outils numériques. Comment sont évalués les apprentissages des étudiants à distance de l’Université TÉLUQ? Quelles sont les difficultés liées à ces différentes pratiques d’évaluation ainsi que la valeur ajoutée? Quelles sont les spécificités engendrées par la distance? Il s’agira, d’une part, de présenter les pratiques d’évaluation possibles dans une université à distance et, d’autre part, de réfléchir à la façon dont elles peuvent transformer les rapports à l’évaluation des établissements d'enseignement, des enseignants et des étudiants.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.004 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.020 | 0.006 |
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; both teacher heads agree on what is shown here.
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".