L’apprentissage par la simulation en enseignement supérieur : au-delà des effets didactiques
Bibliographic record
Abstract
Le recours à la simulation dans l’enseignement supérieur est une pratique qui connait de plus en plus de succès. Si les effets didactiques des dispositifs d’apprentissage par simulation sont largement étudiés dans la littérature, il existe actuellement un manque de clarté sur les effets globaux de l’apprentissage par simulation. Ces effets inconnus, non anticipés dans la conception de la simulation pourraient engendrer des conséquences sur l’apprenant et son apprentissage. Une approche narrative de l’expérience de simulation de 21 étudiants soumis à des séances de simulation dans le cadre de leurs études en enseignement supérieur en Belgique francophone a été réalisée pour comprendre et décrire les effets présumés des dispositifs d’apprentissage par simulation. L’analyse de contenu thématique a permis d’identifier cinq principaux types d’effets rapportés de l’apprentissage par simulation. Outre les effets prévisibles sur l’apprentissage, des effets émotionnels, socio-relationnels, identitaires et motivationnels ont été constatés. La variété des effets rapportés par les étudiants nous amène à reconsidérer la pensée restrictive présente dans la littérature actuelle sur les effets de la simulation. Un modèle est proposé pour prendre en compte les cinq types d’effets (et possiblement d’autres effets encore non identifiés) et leurs dynamiques d’influence mutuelle.
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 | 0.006 | 0.032 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.014 | 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".