MétaCan
Menu
Back to cohort
Record W4367668117 · doi:10.37870/joqie.v13i21.356

Portée et limites des outils d’enseignement à distance utilisés par les enseignants de quatre écoles marocaines en contexte pandémique

2023· article· fr· W4367668117 on OpenAlexaff
Abderrahmane Benrherbal, Miranda Rioux

Bibliographic record

VenueThe Journal of Quality in Education · 2023
Typearticle
Languagefr
FieldSocial Sciences
TopicEducation and Technology Integration
Canadian institutionsUniversité du Québec à Rimouski
Fundersnot available
KeywordsHumanitiesPolitical scienceArt

Abstract

fetched live from OpenAlex

L’ensemble des acteurs du milieu éducatif restent préoccupés par l’inégalité scolaire entre les zones rurales et les zones urbaines. Avec la crise sanitaire due à la pandémie de la COVID-19, la situation est devenue encore plus préoccupante. Malgré les craintes soulevées, on ne dispose toujours pas d’un répertoire exhaustif des diverses pratiques d’enseignement à distance utilisées en zones rurales. Notre approche méthodologique s'inscrit dans un paradigme interprétatif qualitatif dans une perspective collaborative (Desgagné et coll.,2001) de cosituation, de coopération et de coproduction. Cette présentation passe en revue et évalue les pratiques d’enseignement à distance utilisées en milieu rural au Maroc pour l’enseignement primaire dans le cadre de la continuité pédagogique.
 Notre travail permet en effet d’identifier cinq outils d’enseignement à distance : « WhatsApp », Plateforme « Telmidtice », « Facebook », télévision puis distribution des livres scolaire. Les résultats des travaux de groupe dans les quatre écoles étudiées, ainsi que les discussions en plénière, montrent cependant qu’après la fermeture des écoles, il y a eu une période de tâtonnement entre les cinq outils d’enseignement à distance. Par la suite, l’utilisation de l’application « WhatsApp » a fait l’unanimité malgré les contraintes de cet outil. Cette évaluation nous permet d’envisager des perspectives d’amélioration des systèmes d’enseignement.

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.011
metaresearch head score (Gemma)0.003
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Qualitative · Consensus signal: Qualitative
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.256
Threshold uncertainty score0.998

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0110.003
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.001
Science and technology studies0.0010.001
Scholarly communication0.0000.000
Open science0.0000.000
Research integrity0.0000.001
Insufficient payload (model declined to judge)0.0000.000

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.

Opus teacher head0.089
GPT teacher head0.403
Teacher spread0.314 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designQualitative
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2023
Admission routes1
Has abstractyes

Explore more

Same venueThe Journal of Quality in EducationSame topicEducation and Technology IntegrationFrench-language works237,207