Transformation numérique de l’éducation, approche systémique et recherche appliquée
Bibliographic record
Abstract
Cet article propose la construction d’une modélisation systémique du numérique en éducation dans le cadre d’une recherche appliquée aux politiques publiques (ministère de l’Éducation nationale français). Considérant le numérique dans sa pervasivité, il met en évidence l’importance d’une approche complexe pour comprendre la transformation des pratiques. Comme modalité de recherche appliquée, nous présentons les groupes thématiques numériques (GTnum). L’approche méthodologique combine une posture réflexive éclairée par les apports de la recherche, des choix conceptuels centrés sur les humanités numériques et l’approche systémique, la recherche participative et la science ouverte via le carnet Hypothèses « Éducation, numérique et recherche ». Comme résultats, notre modélisation est centrée sur un « numérique environnant » et six unités d’action, mis à l’épreuve via les thématiques des GTnum. Nous interprétons ces résultats par une comparaison avec d’autres cadres systémiques, une application aux axes de la transformation numérique en académies, une réflexion prospective avec le développement de l’IA générative et des perspectives pour la recherche participative. Enfin, l’article discute des limites et apports de cette démarche : variabilité de la compréhension des enjeux et de l’intégration des apports de la recherche, mais pistes pour l’anticipation d’une nouvelle configuration du numérique avec la place de l’IA.
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 | 0.010 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.002 | 0.012 |
| Scholarly communication | 0.011 | 0.009 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.013 | 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".