Travail collectif et usages du numérique : Quelle catégorisation de pratiques chez des enseignants français à l’école et au collège?
Bibliographic record
Abstract
Dans le cadre du projet e-TAC Environnements Tangibles et Augmentés pour l'Apprentissage Collaboratif, une enquête par questionnaire a été menée en ligne auprès d’enseignants de cycles 3 et 4 de Moselle (France) pour mieux décrire leurs pratiques de travail collectif entre pairs et en classe, avec ou sans numérique. Au travers de l’analyse des 972 réponses obtenues, nous traiterons deux questions principales : quelles sont les catégories de pratiques déclarées par les enseignants et la place qu’y occupent les outils et ressources numériques? De quoi dépend la fréquence du travail en groupe de leurs élèves à l’école et au collège? Nos traitements statistiques sur les données relatives aux pratiques des professeurs des écoles et des enseignants de collèges permettent, d’une part, d’identifier quatre catégories de variables associées aux pratiques de travail collectif chez les enseignants, qui s’agrègent selon deux axes paradigmatiques (enseignant/apprenant, autocentré/hétérocentré), et d’autre part, d’étudier la force de prédiction de six catégories de variables du travail en groupe avec leurs élèves, où l’impact des usages d’outils et ressources numériques s’avère finalement très secondaire.
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 | 0.004 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".