L’aide juste à temps pour la rétention et le succès des étudiants en formation à distance
Bibliographic record
Abstract
Depuis ces dernières années, le nombre d’étudiants à situations particulières (TDAH, autisme, déficience auditive, etc.) est en constante augmentation dans les institutions d’enseignement québécois passant de 8 201 en 2013 à 16 304 en 2018 (Gagné & Tremblay, 2018, p. 23). L’Université TÉLUQ, qui offre des cours et des programmes à distance, accueille près de 20 000 étudiants par année. En plus des étudiants en situations particulières, plusieurs reviennent aux études après un long laps de temps afin, d’améliorer leur situation professionnelle, tout en travaillant à temps plein. L’Université TÉLUQ, par l’entremise de son Service aux étudiants (SAE), s’est donné pour mandat d’améliorer la rétention et le succès de ces étudiants. Pour y arriver, un comité sur les outils d'aide à la réussite étudiante a été mis sur pied. Des enquêtes ont permis d’identifier plusieurs facteurs de risques liés à l’abandon des étudiants (à paraître). Afin d’aider les étudiants avec des besoins et des défis différents dans les premiers cours, un système d’aide juste à temps est présentement mis sur pied. Dans le cadre de cette communication, nous présenterons les premières itérations ainsi que le design de ce nouveau système.
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 | 0.012 | 0.041 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.011 | 0.004 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.042 | 0.007 |
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".