Conception d’une échelle française d’évaluation de l’utilisabilité des nouvelles technologies éducatives par l’enfant
Bibliographic record
Abstract
Le numérique ne cesse de se développer, notamment à l’école où les politiques éducatives en ont fait un des leviers de recherche prioritaires. Une utilisation efficace des technologies numériques éducatives est essentielle pour que les élèves puissent atteindre des objectifs d’apprentissages. Ainsi, il est important de pouvoir recueillir les perceptions des principaux utilisateurs que sont les enseignants et les élèves sur l’utilisabilité de ces nouvelles technologies en classe. Or, à notre connaissance, il n'existe pas encore de questionnaire d'évaluation de l'utilisabilité des interfaces numériques en français spécifiquement adapté aux jeunes élèves. K-Uses est une échelle de mesure d'évaluation de la perception de l'utilisabilité par les jeunes utilisateurs. Cette échelle de mesure repose sur le modèle présenté dans la norme ISO 9241-11 à laquelle nous avons ajouté le critère de « learnability » de Nielsen. Cet article présente la construction et les premiers éléments de validation du K-Uses avec des enfants âgés de 9 à 11 ans. La méthode utilisée a consisté en un examen de questionnaires d'utilisabilité existants, des prétests auprès d’enseignants et d’élèves auxquels ont participé trois évaluateurs et une analyse exploratoire des données recueillies auprès de 127 élèves. Les résultats sont prometteurs et montrent des niveaux satisfaisants de validité et de fiabilité.
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 | 0.033 | 0.042 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.007 | 0.005 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 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".