Caractériser les spécificités de l’apprentissage intergénérationnel à travers un atelier pilote en contexte universitaire
Bibliographic record
Abstract
Notre société segmentée par l'âge offre peu de possibilités d'interactions intergénérationnelles authentiques. Cela contribue aux stéréotypes et préjugés envers les personnes de tous âges, particulièrement les adultes aînés. Pour favoriser une société plus inclusive et lutter contre l'âgisme, un changement de paradigme sociétal devient nécessaire. À partir d'une recherche basée sur la conception et l'apprentissage intergénérationnel, nous avons cherché à mieux caractériser ces apprentissages afin de développer des formations spécifiques pour les appuyer. Basé sur un questionnaire préliminaire (n=79), nous avons conçu un atelier pilote (français/anglais) avec huit adultes aînées et huit jeunes adultes au cours duquel les participants ont dû réaliser en binôme une vidéo sur TikTok. Nos résultats indiquent que l'apprentissage intergénérationnel doit se fonder sur une pédagogie active, les activités et les objectifs pédagogiques doivent être multiples pour être réalisées en binômes intergénérationnels, le format doit permettre de développer une relation de confiance et l'évaluation doit être personnelle.
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 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.019 | 0.003 |
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".