Les effets du numérique sur l'éducation, une note de lecture sur l’ouvrage de Georges-Louis Baron et Christian Depover
Bibliographic record
Abstract
Georges-Louis Baron est professeur émérite en Sciences de l’éducation à l’université de Paris et Christian Depover est professeur à l’université de Mons. Dans l’ouvrage paru en juillet 2019 dont ils sont les coordinateurs, ils traitent de la question des effets du numérique sur l’éducation. De par la richesse des références auxquelles ils font appel, ils montrent en quoi cette question d’actualité n’est en fait qu’une continuité de celles que les chercheurs, mais aussi les praticiens ou encore les prescripteurs, se posent depuis bien des années. Parmi les nombreux points forts de cet ouvrage, nous notons qu’il s’inscrit dans une tradition universitaire qui cherche avant tout à présenter une vision distanciée des effets du numérique sur l’éducation. La qualité de cet ouvrage porte également dans les analyses sur les diversités qui sont mises en avant..Ce livre est à recommander à tous ceux qui souhaiteraient s’informer sur les effets réels du numérique sur l’éducation et la formation.
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 | 0.006 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 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".