Gestion, gouvernance et financement du numérique en éducation et en enseignement supérieur
Bibliographic record
Abstract
Les domaines de l'éducation (Gravelle, Frigon et Monette, 2020) et de l'enseignement supérieur (Maltais, Ness, Jungblut et Rexe, 2023) sont en mutation mondiale, confrontés à des défis croissants. À l'ère du numérique, les établissements d’enseignement doivent développer la compétence numérique des apprenants (Gouvernement du Québec, 2018, 2020b). La littérature internationale guide le déploiement des outils numériques pour la réussite éducative (Gravelle et al., 2019; Gravelle et al., 2021). L'OCDE souligne l'importance de comprendre les tendances mondiales et leur impact sur l'éducation (2019). Par exemple, l'éducation peut réduire les inégalités et encourager l'innovation numérique (OCDE, 2019). Les directions et les gestionnaires scolaires doivent promouvoir l'innovation, la compétence numérique et la sensibilisation aux risques cybernétiques (OCDE, 2019). Un financement consacré au numérique est crucial pour s’assurer de suivre un monde en mutation (Gouvernement du Québec, 2023). En somme, selon l’OCDE (2019), la gestion, la gouvernance et le financement du numérique en éducation et en enseignement supérieur sont donc des enjeux internationaux importants.
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 | 0.004 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.012 | 0.007 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.037 | 0.006 |
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".