Espaces d’apprentissage innovants : pratiques pédagogiques effectives et usages de l’environnement physique-matériel
Bibliographic record
Abstract
L'émergence croissante des espaces d'apprentissage innovants (EAI) dans les universités amène à s'interroger sur leur utilisation réelle.Cette étude présente les résultats des analyses des pratiques pédagogiques et d'utilisation du potentiel de l'environnement physique-matériel.Vingt-six séances de cours observées, faisant au total 2 942 minutes d'enregistrement vidéo, ainsi que des entretiens avec les enseignants et enseignantes sont réalisés.Les résultats des analyses fréquentielles, temporelles et séquentielles montrent une prédominance, en matière de fréquence d'occurrence et de temps consacré, des situations de mise en activité pratique des étudiants et étudiantes.Le caractère collaboratif, centré sur les étudiants et étudiantes et varié des activités est mis en évidence.On observe une utilisation stratégique et adaptée du potentiel de flexibilitémodularité en lien avec les activités d'apprentissage.Cependant, le potentiel technologique reste sous-exploité et moins positivement perçu comme pertinent par les enseignants et enseignantes.Les principaux avantages et contraintes des EAI perçus par les enseignants et enseignantes sont aussi présentés.
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 | 0.010 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| 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".