Utiliser ou non les logiciels de télésurveillance dans un contexte d’évaluation en formation à distance?
Bibliographic record
Abstract
Dans un contexte de formation à distance, l’évaluation en ligne représente un réel défi, alors que tant d’informations sont accessibles en quelques clics et au bout des doigts des apprenants. Dès lors, les logiciels de télésurveillance d’examen sont devenus des outils incontournables. Cet intérêt pour l’utilisation de cette technologie doit s’accompagner d’une réflexion quant aux possibles effets que peut avoir la télésurveillance sur les étudiants. Ces effets peuvent être désirés, découlant de la nature même des logiciels de télésurveillance en permettant d’assurer l’intégrité intellectuelle des évaluations à distance, mais il existe aussi un effet indésirable lié à l’anxiété augmentée par le recours à la télésurveillance, notamment en raison du caractère intrusif de ces outils, du facteur technologique et des conditions à respecter qu’ils supposent. Cet effet indésirable pouvant être atténué et contrôlé, la télésurveillance représente un outil précieux dans le nécessaire combat contre la fraude scolaire. Les logiciels de télésurveillance demeurent des outils importants pour que l’évaluation en ligne soit réalisée de manière sécuritaire et efficace, pourvu que tous les moyens soient mis en place pour accompagner les étudiants dans ce mode de surveillance.
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 | 0.026 | 0.063 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.004 | 0.024 |
| Scholarly communication | 0.019 | 0.034 |
| Open science | 0.003 | 0.008 |
| Research integrity | 0.005 | 0.006 |
| Insufficient payload (model declined to judge) | 0.012 | 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".