Persévérance et abandon en formation à distance : de la compréhension des facteurs d’abandon aux propositions d’actions pour soutenir l’engagement des étudiants
Bibliographic record
Abstract
Alors que la formation a distance se developpe rapidement depuis une vingtaine d’annees, decideurs et chercheurs tentent encore de saisir les raisons pour lesquelles les abandons sont si importants. Bien qu’il soit difficile d’etablir des comparaisons entre les formations suivies en presence et a distance, on remarque tout de meme un taux de perseverance plus grand du cote de la formation en face-a-face. Cet ouvrage propose donc de cerner les principaux facteurs de perseverance et d’abandon dans l’enseignement superieur a distance, en s’interessant tant aux etudiants universitaires en formation a distance dans leur ensemble qu’a des profils plus particuliers comme ceux des etudiants autochtones ou en situation de handicap. Les angles d’approches varies et complementaires adoptes dans ce livre permettent de croiser des facteurs tels que les caracteristiques socioeconomiques, scolaires et environnementales des apprenants, leurs strategies d’apprentissage, le design pedagogique des cours qu’ils suivent ou l’accompagnement dont ils beneficient. Ce collectif d’auteurs quebecois et europeens offre ainsi une vision nuancee et finement argumentee de la perseverance et de l’abandon en formation totalement ou partiellement a distance. Tant des dispositifs de longue date que d’autres plus recemment developpes ou en cours de creation sont analyses. Ce faisant, les onze chapitres permettent d’aller au-dela des critiques de la formation a distance centrees sur l’abandon en proposant des elements de comprehension des phenomenes en jeu et des pistes d’action. Ce livre s’adresse aux enseignants, chercheurs et decideurs interesses a mieux saisir les particularites de la formation a distance pour favoriser la perseverance des etudiants.
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 | 0.020 | 0.040 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.008 | 0.038 |
| Scholarly communication | 0.020 | 0.020 |
| Open science | 0.003 | 0.010 |
| Research integrity | 0.005 | 0.007 |
| Insufficient payload (model declined to judge) | 0.009 | 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".