Modélisation de MOOC en didactique des langues : Identifier les tensions et leurs régulations pour des usages “didactiquement corrects”
Bibliographic record
Abstract
Concevoir un MOOC en didactique des langues conduit à être confronté à un ensemble de paradoxes qui peuvent être analysés à la lumière de la notion de système. Ainsi, les aspects techniques, qui découlent en partie des principes constitutifs de l’objet MOOC, agissent en retour sur les choix didactiques et les démarches méthodologiques mises en œuvre par les concepteurs. C’est dans cette perspective que nous interrogerons ces choix faits lors de la mise en œuvre de ce type de MOOC, en vue d’usages que l’on pourrait qualifier de « didactiquement corrects », au prix d’adaptations plus ou moins contraignantes ou de contournements. Afin de mettre en évidence les tensions en jeu, nous procédons à une modélisation qui sera appliquée à l’analyse de trois MOOC en didactique des langues. Cette analyse nous conduit à mettre en évidence le rôle des discours comme régulateurs de tensions.
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 | 0.005 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.004 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 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".