L'encadrement dans les cours en ligne, quelles compétences pour les encadrants... et pour les responsables des encadrants?
Bibliographic record
Abstract
Les cours en ligne et les cours hybrides (portion d’au moins 50% en ligne) représentaient 16 % des inscriptions universitaires au Canada en 2015, et ont augmenté de 11 % par année de 2011 à 2015, se situant principalement en administration, en arts et sciences humaines et en éducation (Bates et al., 2017). Cette progression importante des cours en ligne bouscule les façons de faire et implique beaucoup plus d’intervenants qu’en présentiel, dont un professeur, un dispositif d’enseignement, un personnel dédié à l’encadrement des étudiants (appelé tuteur, correcteur ou encadrant), et ce, lorsque le professeur délègue l’encadrement des étudiants à une tierce partie. Selon Berrouk et Jaillet (2017), le dispositif a un effet sur l’encadrement, bien qu’il y ait tout de même une distinction entre le prescrit et le réel. Il y a lieu de se demander comment toutes ces parties prenantes arrivent à s’harmoniser entre elles, sachant qu’en formation universitaire à distance, la persévérance et la réussite sont plus faibles qu’en formation en présentiel (Asarta et Schmidt, 2017). Pour répondre à cette question, une recherche a été mise sur pied, financée par le Fonds de Recherche du Québec, Société et Culture (FRQSC). \n \nNous présenterons les compétences attendues des tuteurs, à partir des écrits scientifiques, sachant que les fonctions dévolues aux encadrants dans les cours en ligne portent normalement sur l’accueil, l’accompagnement technique, disciplinaire, méthodologique et social ainsi que sur l’évaluation (Chafiq et Talbi, 2017). Mais, nous irons plus loin, en présentant également les compétences attendues dans la gestion des encadrants et des cours. Ces compétences optimales, selon les contextes, intéresseront autant le personnel à l’encadrement, les établissements, les professeurs qui font de l’encadrement que les professeurs appelés à gérer une équipe d’encadrement.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.005 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.036 | 0.008 |
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".