La technologie des registres distribués (TRD) : usages et perspectives dans le secteur de l’éducation
Bibliographic record
Abstract
La technologie des registres distribués (TRD), connue aussi sous le nom anglais de « Distributed Ledger Technology (DLT) » ou « blockchain », constitue une innovation stimulante et aujourd’hui très présente dans le monde des affaires et de la finance. Selon CPA Canada (2019), ces technologies sont puissantes au regard de leur potentiel de création de nouveaux modèles économiques. De nombreux pays ont déjà adopté la TRD pour certains aspects liés à la légalisation des documents, à l'identité, à la résidence électronique, à la santé, à la sécurité et à d'autres services administratifs. Avec l’arrivée du numérique dans le monde de l’éducation par le biais de l'apprentissage à distance, les classes intelligentes et les outils de gestion scolaire intelligents, la technologie a pris place dans les écoles et risque d’en définir en grande partie les évolutions futures. L’arrivée des registres distribués s’inscrit dans cette lignée. Cependant, l’évolution rapide et constante et la complexité de la technologie des registres distribués, la rareté des compétences spécialisées en TRD en Afrique, le coût important de l’infrastructure initiale ainsi que l’absence du cadre réglementaire soulèvent des interrogations et des inquiétudes quant à l’adoption de cette technologie dans un secteur aussi sensible que l’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 | 0.008 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.010 |
| Science and technology studies | 0.002 | 0.005 |
| Scholarly communication | 0.012 | 0.009 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".