Jeu sérieux sur la compétence numérique universitaire : mobilisation d’expertises au service du processus de conception
Bibliographic record
Abstract
Le Jeu sérieux sur la compétence numérique étudiante universitaire est une ressource éducative libre conçue pour soutenir les étudiants et étudiantes universitaires dans le développement de la compétence numérique telle que définie dans le Cadre de référence de la compétence numérique du Québec (ministère de l’Éducation et de l’Enseignement supérieur, 2019a). Le développement de ce jeu sérieux exprime l’engagement du réseau de l’Université du Québec au regard du Plan d’action numérique en éducation et en enseignement supérieur, 2018). Ce projet vise à soutenir les apprenantes et apprenants dans leur apprentissage au et par le numérique (Conseil supérieur de l’Éducation, 2020), en ayant recours à la stratégie pédagogique du jeu sérieux. Cet article présente les axes réfléchis et documentés relativement au développement de cette ressource éducative susceptible de susciter la motivation, de stimuler la curiosité et la créativité et d’offrir des contextes d’apprentissage innovants. Des constats et données émergeant des travaux réalisés à ce jour sont présentés selon une structure de travail multisectorielle et collaborative, entre des experts et expertes du réseau de l’Université du Québec. Ils s’ancrent également dans les résultats d’un processus de consultation étudiante pour mieux rejoindre les besoins des personnes visées par le jeu sérieux.
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 | 0.009 | 0.016 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.012 | 0.009 |
| Scholarly communication | 0.012 | 0.007 |
| Open science | 0.001 | 0.010 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.019 | 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".