Peut-on dynamiser le travail des étudiants en Licence ?
Bibliographic record
Abstract
Nous présentons dans cet article un retour d’expérience de classe inversée menée auprès d’étudiants de premier cycle universitaire en Sciences de la Vie (deuxième année de Licence; Université Paris-Saclay, France). Dans un contexte d’enseignement où les programmes de biologie sont très chargés, les étudiants sont soumis à une surcharge cognitive importante, associée à des difficultés à trier et à mobiliser les informations, ainsi qu’à un manque de formation à la démarche scientifique. Comment allier la nécessaire assimilation de connaissances, de vocabulaire et de concepts de base et l’acquisition d’habiletés cognitives de niveau supérieur (décrire, analyser, interpréter, représenter, modéliser, relier des faits entre eux…)? Comment, plus généralement, motiver les étudiants, les autonomiser dans leurs apprentissages et dynamiser leur travail? Face à ces questions, notre équipe enseignante expérimente depuis plusieurs années des méthodes de pédagogie active à niveau Master. Nous avons souhaité tester leur applicabilité en Licence où la réussite du plus grand nombre d’étudiants est un enjeu majeur pour l’université, tout en constituant un de ses principaux défis (Annoot, 2012). Dans le but de renforcer motivation, volition et cognition (Houart, 2017), nous avons conçu et déployé pendant deux années consécutives un dispositif pédagogique hybride reposant sur l’alternance de phases d’assimilation à distance et de mises en application en présentiel (Charlier et al., 2006). L’analyse des bénéfices de ce dispositif, menée par le biais de questionnaires soumis aux étudiants, indique une adhésion très forte de leur part à la démarche, une motivation accrue à travailler et un sentiment de progression méthodologique.
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 | 0.009 | 0.024 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.009 | 0.007 |
| Scholarly communication | 0.015 | 0.010 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.020 | 0.005 |
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".