Ingénierie pédagogique et technologies émergentes : défis et leviers d’action identifiés dans la conception de jumeaux d’enseignement numériques immersifs et interactifs
Bibliographic record
Abstract
Les jumeaux numériques d’enseignement (JNE) sont des environnements virtuels pour l’apprentissage humain (EVAH) qui ouvrent des perspectives en matière de conception pédagogique pour se rapprocher des réalités professionnelles des ingénieurs. Le jumeau numérique est la réplique numérique d'un objet ou d'un système industriel ou physique existant, qui peut être doté d’outils d’exploitation pour comprendre, analyser et prédire le fonctionnement et le pilotage de l’entité réelle. Il peut devenir un instrument pour l’enseignement. L’intégration des JNE, en tant que nouvel environnement virtuel d’apprentissage, engage un travail de conception pédagogique visant la création de situations d’apprentissage instrumentées. L’article porte sur ce travail de conception pédagogique mené de manière collaborative entre des ingénieurs pédagogiques, des enseignants-chercheurs et des développeurs informatiques dans le cadre du projet JENII (ANR-21-DMES-0006). Les données de recherche sont issues de 13 entretiens semi-directifs menés auprès des acteurs du projet, de 3 entretiens avec des ingénieurs pédagogiques et de l’observation de 3 réunions de conception de scénarios pédagogiques utilisant des JNE. Les résultats permettent de mieux comprendre la conception collaborative de dispositifs pédagogiques, d’identifier les nouveaux acteurs autour de la technologie émergente des JNE et de mettre en lumière les leviers d’action pour optimiser l’ingénierie pédagogique avec des technologies émergentes.
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 | 0.008 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.026 |
| Scholarly communication | 0.016 | 0.016 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.008 | 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".