Instrumenter l’apprentissage autodirigé avec le numérique : au-delà des environnements personnels d’apprentissage
Bibliographic record
Abstract
L’autoformation sur Internet a été longtemps étudiée au prisme de la notion d’apprentissage autodirigé. Sur le plan technologique, c’est initialement à travers la notion d’environnement personnel d’apprentissage (EPA) que l’agentivité des apprenants dans les pratiques d’autoformation a été étudiée. Ces écosystèmes d’outils digitaux permettent de structurer des apprentissages en dehors de tout cadre institué. La manière d’appréhender l’instrumentation du butinage pourrait néanmoins évoluer dans les années à venir au-delà du seul périmètre des EPA, et ce à au moins deux titres. En premier lieu, apparaissent des plateformes dédiées spécifiquement à l’apprentissage autodirigé en ligne, réunissant en un seul endroit des fonctionnalités auparavant dispersées au sein d’une palette d’outils génériques. En second lieu, les normes du e-learning évoluent pour prendre en compte des apprentissages informels réalisés en dehors de dispositifs de cours en ligne. Ce changement de paradigme est symbolisé par le remplacement progressif de la norme SCORM par la norme xAPI. Dans cette contribution, nous présentons cette évolution tant des plateformes que de la manière de considérer les analytiques de l’apprentissage. Nous débattons de la signification de cette évolution en termes de manière de penser, sur le plan technologique, l’apprentissage en ligne autodirigé.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.008 | 0.001 |
| Scholarly communication | 0.000 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.024 | 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 teacher head, 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".