Bibliographic record
Abstract
Le contexte pandémique a multiplié l’intérêt pour la formation à distance. Plus que jamais, nombreux sont les établissements d’enseignement supérieur qui s’intéressent à l’enseignement-apprentissage grâce à l’avènement des outils numériques. Plusieurs raisons expliquent cet intérêt marqué, notamment dans le contexte des pays émergents. Ces derniers présentent souvent des superficies vastes, des zones difficilement accessibles ou des populations denses qui rendent les espaces limités dans les classes. Cet ouvrage collectif comporte des textes tirant leur origine de différents pays en provenance notamment du Canada, d’Haïti, du Congo, de la Tunisie, du Cameroun et du Ghana. Des enseignants, des formateurs et des chercheurs s’unissent pour partager leurs savoirs, leurs expériences et leurs résultats de recherche. Destinés à un lectorat international, ces 10 chapitres classés en 3 parties présentent des enjeux, des modalités et des occasions de formation en enseignement supérieur dans la perspective d’élargir l’horizon des possibilités de la formation à distance (FAD) et les défis qui y sont associés. Près de 30 auteurs réfléchissent autour des grandes questions portant sur l’expérience de la motivation et de la réussite dans la FAD, de l’adaptation aux défis technopédagogiques qui y sont reliés et des possibilités de transformation des pratiques grâce à l’expérimentation des plateformes qui y sont dédiées.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.010 | 0.016 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 0.000 |
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".