Traduction, adaptation et évaluation psychométrique préliminaire d’une mesure d’engagement et d’une mesure de charge cognitive en contexte d’apprentissage numérique
Bibliographic record
Abstract
Contexte : L’apprentissage numérique chez les professionnels de la santé amène des défis comme le manque d’engagement et l’excès de charge cognitive. Toutefois, il n’existe pas de mesures d’engagement et de charge cognitive validées en français. De telles mesures permettraient de considérer ces variables dans le développement de formations numériques et l’évaluation de leurs effets. Buts : (1) Traduire et adapter la User Engagement Scale – Short Form et le Cognitive Load Index en français ; (2) Effectuer une évaluation psychométrique préliminaire des échelles afin d’examiner leurs caractéristiques, les corrélations entre les sous-échelles et la cohérence interne. Méthode : La traduction et l’adaptation ont été réalisées selon Sousa et Rojjanasrirat (2011). Pour l’évaluation des propriétés psychométriques, des étudiants en sciences infirmières ont répondu en ligne à l’Échelle d’engagement de l’utilisateur – Forme abrégée (EEU-FA) et à l’Indice de charge cognitive (IDCC). Les données ont été analysées par des statistiques descriptives, des coefficients de corrélation de Pearson, des coefficients omega (ω) de McDonald et des coefficients alpha (α) de Cronbach. Résultats : Cinquante-sept participants ont complété l’étude. La majorité des distributions étaient normales. Les corrélations entre les sous-échelles étaient entre 0,03 et 0,64 pour l’EEU-FA, et entre −0,12 à 0,41 pour l’IDCC. Les coefficients ω pour l’EEU-FA (0,77 à 0,89) et α pour l’IDCC (0,70 à 0,96) démontrent une bonne cohérence interne. Conclusions : Cette étude a permis de traduire et d’adapter en français des mesures d’engagement et de charge cognitive en contexte numérique. Les échelles font état de bonnes qualités psychométriques préliminaires.
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 | 0.014 | 0.041 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".