Utilisation du numérique par les enseignants à l’université : description et analyse des facteurs explicatifs
Bibliographic record
Abstract
Dans cet article, nous nous intéressons à la nature des technologies de l’information et de la communication (TIC) mobilisées par les enseignants universitaires pour enseigner et aux facteurs explicatifs de cette utilisation. Nous procédons d’abord à un éclairage théorique notamment concernant les concepts de « TIC » et d’« utilisation ». Puis, à l’appui des données recueillies en mai 2016 auprès de 248 enseignants d’une université française, nous montrons que les TIC mobilisées par les enseignants à l’intérieur, mais aussi en dehors des heures de cours, sont plutôt d’ordre générique en opposition aux technologies plus sophistiquées. Les enseignants utilisent par ailleurs davantage les TIC en travaux dirigés et en travaux pratiques qu’en cours magistral. Nous analysons ensuite les facteurs, liés aux caractéristiques de l’enseignant ainsi qu’au contexte d’enseignement, tenant un rôle explicatif dans l’utilisation des TIC par les enseignants. Il en ressort que le sentiment de compétence en TIC de l’enseignant et les méthodes pédagogiques mobilisées en cours constituent des variables prégnantes dans l’explication de cette utilisation des TIC. Nous discutons ces résultats au regard de la littérature scientifique existant sur le sujet et proposons plusieurs perspectives de recherche.
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 | 0.009 | 0.039 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.010 |
| Science and technology studies | 0.005 | 0.008 |
| Scholarly communication | 0.014 | 0.011 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.011 | 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".