L’auto-efficacité des enseignantes et enseignants du supérieur à enseigner avec le numérique, de la période Covid à nos jours
Bibliographic record
Abstract
Avec la pandémie causée par la Covid-19, l’usage du numérique s’est imposé et traduit par des pratiques très diversifiées dans le contexte de l’enseignement supérieur. Enseigner à distance suppose cependant que les personnes enseignantes (PE) détiennent des compétences techniques pour exploiter au mieux le numérique au service de leurs objectifs pédagogiques. Mobilisant la théorie sociocognitive de Bandura, cette étude utilise une enquête par questionnaire auprès de 290 PE pour valider une échelle d’auto efficacité à l’enseignement en ligne (AE) et examiner ses relations avec les attitudes, les pratiques d’enseignement à l’aide du numérique, ainsi que le sexe des répondants. Après validation de l’échelle unidimensionnelle, les résultats révèlent pour une AE élevée une corrélation positive et significative avec l’éventail d’outils mobilisés et des corrélations négatives (et significatives) avec les émotions et croyances négatives sur le numérique. L’étude identifie également une différence significative entre les sexes, les hommes ayant un niveau d’AE supérieur à celui des femmes, malgré une plus grande participation de ces dernières aux formations numériques. En conclusion, l’AE émerge comme un facteur déterminant pour l’adaptation des PE aux exigences du numérique en enseignement supérieur, soulignant l’importance des initiatives de formation pour renforcer ce dernier.
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 | 0.017 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 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".