Intégration des CLOM dans une université à distance – Retour d’expérimentation à la TÉLUQ
Bibliographic record
Abstract
Dans une université à distance comme la Télé-université (TÉLUQ), pratiquant la formation à distance depuis plus de 40 ans et offrant la formation en ligne depuis une vingtaine d’années, l’intégration de cours en ligne ouverts et massifs (CLOM; MOOC en anglais) se posait dans un contexte très différent de celui d’une université offrant principalement des cours en présence. Pour clarifier les enjeux, un projet pilote a été réalisé à la TÉLUQ à la fin de 2014 dans lequel deux cours ont été produits et diffusés à l’international en mode CLOM. Les objectifs de ce projet consistaient à évaluer les possibilités offertes par les approches pédagogiques réalisées dans les CLOM par rapport à celles en usage en formation à distances (FAD) à la TÉLUQ; à établir un processus d’adaptation des cours en ligne pour une diffusion massive; à élaborer une stratégie de communication et de recrutement international pour ces cours et finalement à définir un modèle de diffusion cible pour les CLOM en prenant en compte les caractéristiques d’une université à distance comme la TÉLUQ. Cet article présente un retour d’expérience de ce projet pilote, ainsi qu’une synthèse du modèle de diffusion en mode CLOM qui en a résulté.
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 | 0.009 | 0.018 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
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".