État des lieux des conditions d’efficacité de la formation à distance en enseignement supérieur en Afrique
Bibliographic record
Abstract
La pandémie de COVID-19 a rendu la formation à distance (FAD) plus populaire à travers le monde et l’Afrique n’a pas fait exception. En conséquence, l’intérêt des chercheurs pour les moyens de rendre ce mode d’enseignement-apprentissage efficace s’est accru, notamment dans l’enseignement supérieur. Dans cet article, nous présentons, à partir d’une revue de littérature, un état des lieux des approches méthodologiques (quantitatives, qualitatives et mixtes) utilisées par les chercheurs pour étudier les conditions d’efficacité de la FAD dans l’enseignement supérieur en Afrique et les conditions proposées dans plusieurs des études recensées. Le résultat de notre recherche montre que ces conditions comprennent, entre autres, celles liées aux infrastructures et équipements technologiques, à la qualité d’accès à Internet, aux compétences technopédagogiques des étudiants et des enseignants, à la conception des cours, aux caractéristiques des outils d’apprentissage en ligne ainsi qu’aux ressources de soutien (pour les enseignants et les étudiants). Nous présentons également les propositions de chercheurs pour faire face à certains défis, dont les infrastructures technologiques inadéquates
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 | 0.014 | 0.036 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.010 | 0.008 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 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".