L’engagement et les stratégies d’autorégulation des apprenants adultes en e-Formation
Bibliographic record
Abstract
Considérant les évolutions technologiques et le mythe tenace de la « société du savoir », le besoin de développer ses compétences est de plus en plus appréhendé comme un investissement pour les travailleurs, cela leur vie durant.En plus des formations à distance, des ressources en ligne et des MOOC (Massive Open Online Courses) sont maintenant disponibles pour permettre aux adultes de développer leurs compétences.Avec le numérique, ces moyens d'autoformation deviennent plus accessibles et le développement professionnel peut se faire dans des contextes informels ou non formels.En effet, des ressources éducatives libres apparaissent sous diverses formes : sites, baladodiffusions, blogues, vidéos, etc. L'offre de formation sous forme de MOOC, devient maintenant significative.Ces dispositifs de formation étant plus largement et facilement accessibles, ils attirent des apprenants adultes dotés de profils plus variés que ceux que l'on retrouve dans les formations créditées offertes par les établissements d'enseignement.Or, à peine 10 % des inscrits terminent avec succès le MOOC auquel ils participent (Jordan, 2014).Ainsi, les préoccupations historiques envers l'abandon en e-Formation indiquent l'importance de s'intéresser aux mécanismes qui soutiennent l'engagement et la persévérance des apprenants.Pour mieux comprendre les déterminants de l'engagement des apprenants dans ces dispositifs, la perspective sociocognitive s'avère particulièrement heuristique.Le présent chapitre traite des relations entre motivation et engagement en e-Formation, en prenant assise sur un modèle d'autorégulation.Le processus d'autorégulation est vu dans le contexte des influences mutuelles formalisées dans le modèle de causalité réciproque de Bandura (1986).Les liens entre motivation, engagement cognitif, stratégies cognitives et stratégies métacognitives sont abordés dans la perspective du modèle intégrateur de l'autorégulation.Chacun des concepts est soigneusement présenté avec le souci de rapporter les principaux résultats de recherche dans le domaine de l'e-Formation.Le modèle intégrateur proposé peut notamment servir d'assise pour alimenter une réflexion conceptuelle à mobiliser dans une démarche de recherche (particulièrement pour des étudiants en master ou des doctorants) ou encore pour inspirer la conception des environnements d'e-Formation. L'approche sociocognitive de la motivation et de l'apprentissage comme fondement théoriqueLes cadres théoriques mobilisés pour aborder les liens entre motifs d'engagement, objectifs, motivation, engagement, autorégulation et stratégies d'apprentissage se situent dans la perspective des théories sociocognitives (Bandura, 1986).Les théories sociocognitives modernes de la motivationdont celle des attentes et de la valeur (« expectancy-value ») (Eccles et Wigfield, 2002 ;Pintrich, 2003) sont dérivées du cadre de l'apprentissage social (Bandura).Keller (1983) et Pintrich (2000, 2003) rappellent son postulat selon lequel on retrouve des interactions réciproques entre perceptions et anticipations de l'apprenant, environnement (besoins, valeurs, etc.) et comportements (engagement, stratégies, etc.).Ainsi, les anticipations et attentes d'un apprenant
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.002 |
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".