Technologies numériques éducatives et nouvelles sociabilités en contexte universitaire africain
Bibliographic record
Abstract
En Europe, en Amérique et en Asie, la recherche sur les usages des technologies numériques éducatives et leurs contributions à l’enseignement et l’apprentissage a été florissante, tandis qu’en Afrique subsaharienne, la recherche, excepté quelques rares études en sciences de l’éducation, a longtemps délaissé ces usages. La littérature met en évidence des lacunes en termes d’accès au matériel et d’intérêt pour certains dispositifs techniques. La technologie la plus adoptée reste le téléphone portable qui fait l’objet d’usages personnels et scolaires (Maïdakouale et Fagadé, 2022). Cette étude vise à soutenir l’intégration des technologies numériques éducatives chez une population jeune disposant déjà de compétences numériques non formelles. Nous étudions les logiques sociales structurant les usages qui, eux-mêmes, les façonnent (Paquienséguy, 2012). Aussi, mettons-nous en évidence les « nouvelles » sociabilités scolaires que ces usages apportent. Comme le soulignent Leveratto et Leontsini (2008), l’intérêt pour les usages éducatifs d’Internet nécessite également d’explorer ses dimensions ludiques et sociales, puisque la disponibilité sociale détermine l’engagement personnel dans l’usage intensif. Nous avons utilisé des méthodes qualitatives et quantitatives pour enquêter auprès de 292 étudiants au Burkina Faso, au Gabon et au Niger, pays de l’Afrique subsaharienne. Nous montrons que des facteurs sociotechniques participent à accompagner, dans l’ombre, la révolution numérique dans ces universités.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 0.001 |
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".