La citoyenneté éthique en contexte d’apprentissage en ligne à l’ère de la COVID-19
Bibliographic record
Abstract
La pandémie de COVID-19 provoque des changements sans précédent au sein des institutions éducationnelles. En raison des restrictions sanitaires, les enseignantes et enseignants sont appelés à adopter de nouvelles prestations d’enseignement en ligne, et ce, du jour au lendemain, sans pour autant avoir reçu une formation adéquate. De même, les élèves de niveaux primaire et secondaire sont immergés dans ces environnements d’apprentissage sans les connaissances, savoir-faire et savoir-agir nécessaires pour naviguer à travers ceux-ci de manière éthique. L’objectif de cet article est d’examiner la dimension de la citoyenneté éthique à l’ère du numérique en contexte d’apprentissage en ligne. Dans un premier temps, nous examinerons 1) le phénomène du transfert rapide à l’apprentissage en ligne en réaction aux restrictions sanitaires mises en place pendant la pandémie, et 2) les nouveaux savoir-faire et savoir-agir que ce transfert requiert quant à l’adoption d’une posture de citoyen éthique dans l’espace numérique. Par la suite, nous présentons des pistes de réflexion et d’action destinées à mieux outiller le personnel enseignant afin qu’il puisse accompagner les élèves dans le développement de leur citoyenneté éthique en contexte d’apprentissage en ligne.
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 | 0.007 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.009 | 0.023 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.014 | 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".