Sphère privée, sphère scolaire et porosités des usages du numérique comme révélateurs de hubs sociaux et éducatifs
Bibliographic record
Abstract
Apprendre et enseigner avec le numérique sont des activités à étudier et mettre au regard des espaces support de ces pratiques du numérique, et du tissu social correspondant. Nous proposons une étude des porosités d’usages du numérique entre espaces situés, à savoir la sphère privée et la sphère scolaire, que ce soit pour les apprenants ou leurs enseignants. Finalement, les enseignants avec de fortes pratiques numériques éducatives, ont-ils de fortes pratiques numériques personnelles pour les alimenter, ou réciproquement? De même, les apprenants avec de fortes pratiques numériques personnelles sont-ils plus aptes à apprendre avec le numérique à l’école, plus motivés par l’instrumentation des dispositifs pédagogiques? Pour répondre à ces questions et étudier toutes formes de porosités entre sphères privée et éducative, nous utilisons les résultats d’une enquête sur les usages du numérique, des apprenants du collège à l’université et de leurs enseignants. Nous démontrons que plusieurs formes de porosités existent, avec un sens de transfert le plus souvent bien défini. Enfin, ces espaces situés et les porosités afférentes peuvent être des révélateurs de hubs sociaux et éducatifs, ainsi que gage de prescriptions pour une meilleure prise en compte du numérique en éducation.
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 | 0.004 | 0.018 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.008 |
| Scholarly communication | 0.006 | 0.007 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.022 | 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".