Du risque de multiplier les perspectives lors de la conception d’une application numérique pour la classe : le cas du CNEC
Bibliographic record
Abstract
Afin de favoriser le développement d’environnements numériques d’apprentissage utilisables en classe, fondés sur la recherche et répondant aux besoins des utilisateurs, l’État français a financé via les projets eFRAN des consortiums hétéroclites rassemblant industriels, acteurs du système éducatif et laboratoires. Si en premier abord, la composition des consortiums laisse penser que sont réunies toutes les compétences nécessaires à l’atteinte des objectifs affichés, les divergences entre acteurs ont pu nuire au processus de conception, comme nous le suggérons sur la base d’un cas d’étude : les Savanturiers du Numérique. Les différences de perspectives et d’intérêts, ainsi que les impensés dans les modalités de collaboration au sein du consortium, ont conduit à rechercher des consensus qui se sont fait, selon nous, au détriment de l’utilité et de l’utilisabilité de l’application numérique développée, le CNEC. Sur la base d’un suivi longitudinal de l’ensemble du processus de conception, nous livrons dans cette contribution, sous la forme d’un retour d’expérience, une analyse des difficultés du processus de conception associées à la multiplicité des points de vue qui se sont exprimés.
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 | 0.053 | 0.158 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.010 | 0.009 |
| Scholarly communication | 0.017 | 0.012 |
| Open science | 0.002 | 0.010 |
| Research integrity | 0.003 | 0.007 |
| 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".