Évaluer la collaboration en ligne et en présentiel en contexte pédagogique universitaire en mode hybride : analyse de la pertinence d’un questionnaire
Bibliographic record
Abstract
Des universités offrent des cours d’éducation à la collaboration interprofessionnelle en sciences de la santé et, pour faire face aux défis de synchronisation des horaires, de cloisonnement et de communication, plusieurs sont dispensés en mode hybride. Cet article s’intéresse à l’analyse de la qualité métrique d’un questionnaire utilisé en contexte où des équipes interprofessionnelles ont collaboré en ligne et en présentiel dans le cadre d’un cours universitaire hybride en sciences de la santé. Initialement, ce questionnaire a été conçu pour des personnes du monde du travail dans le but d’évaluer les composantes de la collaboration (communication, synchronisation et coordinations explicite et implicite) mobilisées en présentiel. Les résultats des analyses factorielles confirmatoires de second ordre appuient les qualités métriques du questionnaire original. La collaboration en ligne et en présentiel pourraient être mesurées à l’aide de ce questionnaire dans un cours universitaire hybride. L’étude mobilise des connaissances sur l’évaluation de la collaboration, une voie scientifique peu connue à ce jour.
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 | 0.032 | 0.086 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".