Discours, plurilinguisme et construction des savoirs dans les MOOC et les formations entièrement ou partiellement à distance : Présentation du numéro
Bibliographic record
Abstract
Les MOOC et autres dispositifs de formation entièrement ou partiellement à distance ont souvent recours, notamment pour des raisons d'accessibilité, à la langue anglaise et à des formats médiatiques assez standardisés (tel le face camera). Toutefois, les implications des choix d'écriture posés lors de la conception de ces productions éducatives restent insuffisamment interrogées. Cet éditorial cherche à mettre en perspective les questions transversales soulevées par ces choix de réalisation, leurs causes et leurs conséquences possibles. Il argumente de la nécessité de développer des recherches interdisciplinaires sur ces dispositifs de formation à distance reposant en grande partie sur la vidéo, en remettant en question, de manière systématique, la manière dont s'articulent en leur sein les composantes linguistique, discursive et médiatique, dans des contextes institutionnels et techniques généralement structurants. Il conclut en présentant les contributions de ce numéro consacré au rôle des langues et des discours dans la construction des savoirs dans les MOOC et autres dispositifs de formation à distance.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.009 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.005 | 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".