Se former à l’usage des dispositifs de téléprésence, visioconférence et webconférence en enseignement supérieur
Bibliographic record
Abstract
Les dispositifs technopédagogiques de type visioconférence sont des technologies émergentes de plus en plus utilisées en enseignement supérieur. Certains établissements d’enseignement investissent largement dans leur implantation et dans leur déploiement au service de la formation à distance. Mais qu’en est-il des usages qu’en font les formateurs? Qu’en est-il du rôle des conseillers/ingénieurs pédagogiques dans un tel contexte? Le présent article traite d’une étude réalisée dans le cadre du projet TOPIC (Téléprésence comme OPportunité d’Innovation dans la Conception de formation) tiré d’un travail conjoint entre l’Université de Sherbrooke (Canada) et l’Université Bretagne Loire (France). Il s’agit d’une enquête en ligne réalisée auprès de 174 formateurs des deux universités partenaires pour répondre à la question : « Quels sont les usages actuels, le niveau d’aisance et les attentes des formateurs face aux dispositifs technopédagogiques de type visioconférence? ». L’enquête fait ressortir que les dispositifs de visioconférence sont peu utilisés et que les formateurs sont peu formés à leur utilisation. Malgré tout, une majorité des répondants se dit à l’aise avec leur capacité d’enseigner avec le numérique. En termes de formations, il ressort de l’enquête que les formateurs privilégient des ressources propices à l’autoformation, à un accompagnement personnalisé ou à une combinaison de ressources et d’accompagnement.
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 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.026 | 0.005 |
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".