La citoyenneté numérique dans un monde interconnecté : recenser et modéliser pour mieux éduquer
Bibliographic record
Abstract
Le développement rapide des technologies numériques au cours des dernières années a ouvert le monde aux gens qui peuvent saisir de multiples occasions d’y entrer comme citoyens actifs et engagés, capables de contribuer à la résolution de problèmes globaux d’ordres politique, socioéconomique et socioculturel. Parallèlement, ces personnes peuvent devenir chancelantes face à certains défis rencontrés en ligne. Dans un contexte de monde de plus en plus interconnecté par le biais des outils numériques, le concept de citoyenneté fait l’objet d’une transformation radicale. Comprendre les enjeux du numérique et l’ampleur de sa mondialisation devient alors très important. Cette préoccupation est reflétée dans le monde par une tendance à inclure des éléments de citoyenneté numérique dans les visées des systèmes éducatifs. Au moyen d’une recension des écrits, nous cherchons à mieux définir le phénomène de la citoyenneté numérique, ainsi que les compétences nécessaires pour former à une citoyenneté active, engagée et responsable, dans le but de proposer une modélisation de la citoyenneté numérique. Cette contribution cherche aussi à recenser les pratiques pédagogiques prometteuses et les conditions d’une éducation au numérique réussie. Notre réflexion nous mène à insister sur l’importance de développer la citoyenneté numérique dès un jeune âge.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.005 |
| Scholarly communication | 0.009 | 0.010 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 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".