Portée et limites des outils d’enseignement à distance utilisés par les enseignants de quatre écoles marocaines en contexte pandémique
Bibliographic record
Abstract
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 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 | 0.010 | 0.032 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.006 | 0.007 |
| Scholarly communication | 0.011 | 0.007 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 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".