Le numérique pour l’apprentissage collaboratif : nouvelles interfaces, nouvelles interactions
Bibliographic record
Abstract
Les systèmes éducatifs, de l'école à l'université, sont confrontés à un contexte de profonds changements qui transforment les pratiques d'enseignement et l'apprentissage formel. Avec l'ambition de permettre aux apprenants d'apprendre, de faire, d'être et de décider individuellement et collectivement, dans un monde complexe en perpétuel mouvement, les institutions encouragent la mise en œuvre d'approches collaboratives. Au cœur de ces enjeux, les technologies numériques voient également leur diversité s'accroître rapidement. Les interfaces de nouvelle génération, telles que les interfaces tangibles, de réalité mixte ou robotiques, modifient les interactions avec les autres et les connaissances en offrant des paradigmes d'interaction Homme-machine différents de ceux offerts par les interfaces écran-clavier-souris. L'objectif de ce cinquième numéro thématique, délibérément interdisciplinaire, est de s'interroger sur l'impact et la place des technologies numériques - y compris celles de nouvelle génération - pour l'apprentissage collaboratif. Les interactions avec le savoir, avec les autres au sein des communautés d'apprentissage ou d'enseignement, les systèmes numériques eux-mêmes sont tour à tour au centre des problématiques des auteurs de ce numéro. Leurs douze contributions, par des approches complémentaires, enrichissent le corpus de connaissances empiriques et méthodologiques. Ils examinent les approches collaboratives entre enseignants, l'engagement à collaborer entre apprenants en présentiel ou à distance, la construction de l'apprentissage qui en résulte, et l'influence des systèmes sur ces derniers. Cela permet d’identifier plusieurs pistes à approfondir dans les travaux à mener sur cette thématique des nouvelles interfaces et interactions numériques pour l’apprentissage collaboratif.
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 | 0.024 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.012 |
| Scholarly communication | 0.016 | 0.020 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.005 | 0.004 |
| Insufficient payload (model declined to judge) | 0.016 | 0.004 |
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".