Liens entre les composantes des dispositifs d’enseignement hybride et les performances des étudiants de l’enseignement supérieur : une revue systématique
Bibliographic record
Abstract
Les dispositifs d’enseignement hybride sont de plus en plus répandus dans l’enseignement supérieur. À notre connaissance, les facteurs responsables de leur efficacité sur les apprentissages ne sont pas clairement définis. Cet article a pour ambition, à travers une revue systématique de la littérature, de proposer des éléments de réponse à cette absence de connaissances. Nous présenterons un inventaire et une synthèse des éléments pédagogiques effectivement mis en place dans ce type de dispositif pour mettre en évidence les composantes pédagogiques en lien avec les performances des étudiants, selon la typologie de Burton et ses collaborateurs (2011). À cet égard, nous interrogeons quatre bases de données bibliographiques afin d’en extraire tous les documents (n = 1767) qui étudient l’enseignement hybride. Le corpus d’articles analysés comprend 21 études dans lesquelles sont comparés des dispositifs d’enseignement hybride à d’autres types d’enseignement (apprentissage en ligne et enseignement traditionnel). Un examen de ces documents met en lumière cinq composantes pédagogiques montrant un effet sur les apprentissages. Sans prétendre à une hiérarchisation de ces catégories, nous en proposons une discussion et une synthèse.
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 | 0.021 | 0.059 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.012 | 0.017 |
| Science and technology studies | 0.004 | 0.010 |
| Scholarly communication | 0.020 | 0.021 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 0.003 |
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".