Bibliographic record
Abstract
Le numérique en éducation n’a jamais été aussi accessible et promu qu’aujourd’hui. Or, lors de son dernier rapport mondial de suivi sur l’éducation, UNESCO décrit le manque de données fiables et objectives concernant l’impact du numérique en éducation (2023). En effet, l’organisation constate que plusieurs recherches très optimistes à l’égard des appareils numériques en classe sont majoritairement produites par des entités ayant des intérêts personnels à promouvoir leur intégration (par exemple Pearson). Pourtant, plusieurs élèves à besoins particuliers, notamment les élèves autistes de haut niveau, reçoivent de façon quasi-systématique un ordinateur portable dès que l’on applique la mesure 30810 à leur dossier. Les élèves autistes ont donc la possibilité d’utiliser ces outils de façon quasi-permanente à l’école. De plus, la connexion WIFI disponible dans l’ensemble des écoles fait en sorte qu’il n’y a plus de frontière entre les usages numériques pour des raisons scolaires ou personnelles ; l’élève peut passer d’une pratique à une autre avec ses appareils numériques sans aucune répercussion (Collin et al., 2015). Malgré cela, le cursus québécois n’a pas élaboré un cours précis pour le développement des compétences numériques dans un contexte scolaire. Considérant donc que les enfants développent un rapport au numérique tout d’abord et avant tout dans un contexte à l’extérieur de l’école (Fluckiger, 2008), il devient nécessaire de se pencher sur la question des usages numériques extrascolaires des adolescent.e.s autistes de haut niveau et de leur influence sur l’engagement scolaire.
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 | 0.001 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.017 | 0.004 |
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".