Traitement médiatique des MOOC en tant qu’innovation numérique en éducation : analyse du positionnement des chercheurs, des administrations universitaires et des directions des plateformes de MOOC
Bibliographic record
Abstract
Entre 2012 et 2014, les MOOC(Massive Open Online Courses),en tant qu’innovation numérique en pédagogie universitaire, ont fait l’objet d’un fort traitement médiatique. Loin d’être une simple courroie de transmission, ce traitement médiatique peut être compris comme une mise en scène de différents acteurs (politiques, administratifs, scientifiques, éducatifs) articulés autour d’un imaginaire des MOOC en tant qu’innovation. Certains aspects de cet imaginaire ont déjà pu être identifiés lors d’une précédente étude (Collin et Saffari, 2015), ainsi que trois types d’intervenants principalement cités ou interviewés par les médias au regard des MOOC : les administrations universitaires, les directions des plateformes de MOOC et les chercheurs étudiant les technologies en éducation. En revanche, la manière dont le traitement médiatique des MOOC a mis en scène ces trois types d’acteurs n’a pas fait l’objet d’analyse. C’est ce que nous nous proposons d’approfondir dans le cadre du présent article, dont l’objectif est de mieux comprendre comment le traitement médiatique des MOOC positionne les chercheurs, les administrations universitaires et les directions de plateformes MOOC au sein de l’imaginaire qu’ils véhiculent. Pour ce faire, nous avons mené une analyse secondaire du même corpus d’articles journalistiques qui a servi à la première étude (voir Collin et Saffari, 2015), en nous focalisant cette fois-ci sur les différents intervenants cités ou interviewés dans les articles journalistiques (p. ex., chercheurs, directions des plateformes MOOC, administrations universitaires). Les résultats de l’analyse de contenu permettent d’identifier, pour chaque type d’intervenant, des positionnements complémentaires au sein du traitement médiatique des MOOC.
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 | 0.005 | 0.019 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
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".