L’enseignement à distance de l’entrepreneuriat : quelle expertise pédagogique?
Bibliographic record
Abstract
Bien que l’entrepreneuriat fasse l’objet de recherches académiques depuis près de deux siècles (Chell, 2008), son enseignement ne s’est véritablement institutionnalisé dans les écoles de gestion que depuis les années 1990 (Eyraud, 2016). Alors que cet enseignement repose le plus souvent sur des méthodes pensées pour être efficaces en mode présentiel, quelle expertise pédagogique doit-on développer pour la formation à distance? Et quelle posture professionnelle le professeur doit-il adopter pour développer cette expertise? C’est à ces questions que tente de répondre cet article qui présente les stratégies développées par l’École des sciences de l’administration (ÉSA) de l’Université TÉLUQ, une université à distance francophone associée au réseau de l’Université du Québec. Il est soutenu que la conception d’un programme d’études à distance en entrepreneuriat basé sur des approches pédagogiques innovantes visant l’acquisition de savoirs expérientiels et d’apprentissages authentiques par l’étudiant ne peut se faire sans que le professeur tire avantage des préceptes de l’approche-programme (Basque, 2017) et de la posture professionnelle du praticien-chercheur en enseignement (Bédard, 2017). Différentes propositions de recherche-action sont mises de l’avant pour construire l’expertise pédagogique nécessaire à l’enseignement à distance de l’entrepreneuriat.
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 | 0.008 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.009 | 0.008 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.001 | 0.009 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.015 | 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".