Retour d’expérience post pandémie suite à la généralisation de l’enseignement/apprentissage à distance. Un moyen de penser la formation des enseignants et le fonctionnement de l’université de demain
Bibliographic record
Abstract
Le monde a été profondément touché par la pandémie mondiale du Coronavirus. Outre les problèmes planétaires de santé publique, l’ensemble des secteurs économiques et sociaux ont été bouleversés et des millions d’individus, menacés dans leur équilibre et leur bien-être. Les communautés scolaires et universitaires ont été les premières touchées et ont dû s’adapter dans l’urgence. Le gouvernement algérien a décidé le 22 mars 2020 la fermeture des établissements scolaires et universitaires. Une directive du Ministère de l’Enseignement Supérieur et de la Recherche Scientifique a été adressée aux responsables des universités leur demandant d’adopter les plateformes en ligne pour assurer la « continuité pédagogique ». Pour gérer de façon fiable et efficace ces nouvelles modalités d’enseignement/apprentissage, les responsables universitaires ont dû mobiliser toutes les ressources humaines disponibles, personnel enseignant, personnel administratif et technique, pour maintenir la continuité de l’enseignement/apprentissage. Cette nécessité qui est apparue comme une évidence dès le début de la pandémie a dévoilé les nombreuses carences en matière de moyens. Les enseignants, principaux acteurs, ont dû mettre à profit les outils existants pour faire face à ce défi. Le retour d’expérience que l’on souhaite partager dans le cadre de cet article concerne la mise en œuvre et la généralisation de l’enseignement en ligne dans le contexte universitaire algérien et ses effets sur l’apprentissage. Cette expérience nous a permis de prendre conscience des bouleversements didactiques et pédagogiques provoqués par l’introduction des TICE et des outils numériques lors de l’enseignement/apprentissage à distance du et en FLE.
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 | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.008 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.006 |
| Insufficient payload (model declined to judge) | 0.013 | 0.003 |
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".