Nouveaux espaces du numérique, de l’intelligence artificielle au métavers : Expérimenter en classe pour comprendre, apprendre et appliquer
Bibliographic record
Abstract
Cet article décrit le dispositif d’un cours de marketing de premier cycle universitaire dont l’objectif est de travailler l’innovation et le développement de produit ou de service par un concours international qui récompense les productions les plus prometteuses. Chaque année les sujets changent et, pour cette édition, les travaux doivent porter sur le métavers, la réalité virtuelle, la réalité augmentée, l’intelligence artificielle, le gaming ou les NFT (jeton non fongible). Afin de s’assurer que les étudiants aient les connaissances et la compréhension nécessaires de ces thématiques pour effectuer leur travail de création, un dispositif de formation complet en quatre temps répartis sur une quinzaine de périodes de cours a été créé, basé sur un design pédagogique en trois parties : étudiant, contexte et employabilité. L’objectif est de s’assurer que les étudiants comprennent les notions avant de les utiliser pour le développement de produit. Cet article démontre les apprentissages effectifs réalisés et l’importance de confronter les étudiants aux technologies numériques émergentes.
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 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.008 |
| Scholarly communication | 0.011 | 0.013 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.018 | 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".