IdO-AMI : une solution à l'éducation en zone défavorisée
Bibliographic record
Abstract
-L'internet des objets (IdO) s'est imposé à la majorité des secteurs d'activités de la société moderne dont celui de l'éducation. C'est ainsi qu'apparut le concept d'intelligence (Smart) pour qualifier ces nouvelles formes d'éducation (smart education) appliquées à l'école (smart school), à l'apprentissage (smart learning), à la pédagogie (smart pedagogy) et à des environnements d'apprentissage (smart learning environment). Des exemples d'écoles intelligente (smart school) sont apparus dans des sociétés bien nanties : Finlande, Australie, Chine, États-Unis, mais qu'en est-il vraiment des possibilités offertes par l'IdO comme solution d'accessibilité à l'éducation dans des zones et des populations moins bien nanties ? Cet article présente et discute le contexte et les limites de l'usage des technologies de l'IdO dans le cadre du projet AMI (Apprentissage médié par l'intelligence), issu de la chaire UNESCO (2019-2023) en système intelligent d'apprentissage repensé pour tous (UNESCO Chair for Global Smart Disruptive Learning (GSDL), une solution innovante, tournée vers les technologies intelligentes, adaptatives et mobiles pour pallier l'absence d'école tout en répondant aux besoins des enfants et des communautés de la zone sahélo saharienne en matière d'éducation et de formation.
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 | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.005 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.015 | 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".