Le numérique pour une hybridation de qualité
Bibliographic record
Abstract
La crise historique que nous venons de traverser dans le monde entier avec la pandémie de la COVID-19 n’a fait que souligner avec une acuité plus intense encore que d’habitude que les effets du numérique sur l’éducation et la formation sont multiples. Nous retenons notamment l’importance de la mise en place de dispositifs technopédagogiques de qualité, qu’ils soient présentiels (en classe), distanciels (à la maison ou au travail) ou hybrides (combinant des activités pédagogiques dans un même espace physique et des activités pédagogiques en ligne), afin de favoriser la création de contextes d’apprentissage permettant à toutes les personnes apprenantes, quelles que soient leurs situations, d’être engagées, d’être accompagnées, d’être guidées, d’être soutenues. Mais, comment concevoir la qualité, alors que l’activité pédagogique, soumise à des tensions, est perçue comme étant entrée en « mode dégradé »? Ce numéro thématique propose une réflexion croisée autour des apports, des possibilités et des contraintes qu’impose le numérique en éducation et en formation. Les autrices et auteurs réunis questionnent également la conception et les éléments qui contribuent à la qualité des dispositifs de formations en ligne et hybrides. Ce quatrième numéro de Médiations & médiatisations restitue des analyses, des réflexions ou des expériences vécues dans ces modalités d’enseignement, illustrant à la fois des réorganisations et la nécessité d’un développement professionnel.
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 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.005 | 0.025 |
| Scholarly communication | 0.018 | 0.016 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.022 | 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".