Entre persévérance et abandon en formation universitaire à distance : divers facteurs à prendre en compte
Bibliographic record
Abstract
Le taux d'abandon en formation à distance est souvent pointé comme une limite de ce mode d’enseignement-apprentissage. De fait, la persévérance dans les études universitaires, notamment au premier cycle, est souvent considérée comme problématique et le fait d’étudier à distance ajoute d’autres facteurs susceptibles d’influencer le parcours des étudiants. Alors que plusieurs chercheurs ont constaté que même si les résultats académiques antérieurs demeurent le meilleur indicatif de réussite et de persévérance dans les études postsecondaires, une part des abandons serait causée par une mauvaise adaptation à l’environnement universitaire. Dès lors, quels sont les facteurs susceptibles d’amener les étudiants commençant une formation universitaire à distance à persévérer ou abandonner ? Tandis que les recherches portent souvent sur l’influence d’un facteur particulier, nous proposons de présenter quelques résultats d’une recherche portant tant sur les profils sociodémographiques des apprenants, que sur leurs stratégies d’apprentissage, le design pédagogique des cours suivis et l’encadrement reçu dans ces derniers. Nous verrons notamment que l’étude du design des cours (très peu pratiqué) donne des résultats prometteurs.
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 | 0.055 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.001 | 0.002 |
| 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".