L’évolution du rapport aux savoirs numériques après la pandémie : Genre, compétences et sentiment de compétence des enseignantes et enseignants
Bibliographic record
Abstract
Les malentendus entre école et numérique trouvent leur origine dans une combinaison de facteurs, certains concrets et d’autres de l’ordre des croyances. D’une part, l’insuffisance de moyens, ou l’absence de formation initiale et continue constituent des obstacles facilement observables et objectivables. Ces constats, appuyés par diverses études, montrent qu’en dépit des nombreuses initiatives gouvernementales, l’intégration des technologies éducatives reste imparfaite à l’école. D’autre part, des représentations concernant le numérique éducatif renforcent ces difficultés. Ces perceptions doivent être analysées sous l’angle du genre, car le corps enseignant, majoritairement féminin, contraste fortement avec les métiers du numérique où les femmes ne représentent qu’environ 17 %. La crise de COVID-19 en 2020 a contraint le corps enseignant à utiliser le numérique en urgence, sans formation ni ressources, bouleversant les représentations. Le but de cet article est de voir ce qui reste des représentations genrées du numérique. Deux corpus – 1054 questionnaires et 24 entretiens semi-directifs – permettent d’étudier l’évolution de ce rapport avant et après la pandémie. Si on constate dans les questionnaires que les femmes ont un rapport au numérique plus serein après la pandémie, elles peinent dans les entretiens à se déclarer compétentes, contrairement aux hommes, et malgré des pratiques avérées.
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 | 0.005 | 0.017 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.006 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| 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".