Différencier les enseignements avec et par le numérique ou l’équité à l’épreuve des contraintes
Bibliographic record
Abstract
Cet article porte sur l’utilisation du numérique en contexte scolaire au regard des principes d’équité, de diversité et d’inclusion (EDI), à travers la mise en œuvre de la différenciation pédagogique, et interroge dans quelle mesure il est nécessaire de prendre en compte les apports et les effets du numérique pour enseigner. Cette recherche étudie les pratiques enseignantes en la matière, notamment dans le cadre de la différenciation de supports de cours numériques. La revue de littérature expose la place prépondérante de la diversité en éducation, l’impérieuse nécessité de sa prise en compte, et l’impact de la pratique de l’enseignant permettant d’assurer un certain degré d’équité, notamment à travers la mise en œuvre d’une différenciation pédagogique. Les liens sont tissés avec le numérique, en présentant notamment certaines de ses spécificités et limites, les inégalités qu’il peut creuser qui imposent le recours aux modèles théoriques idoines, et la prise en compte des profils des apprenants. Nous nous intéresserons également au support de cours, vecteur majeur des enseignements, et aux conditions qu’impose le format numérique à l’élaboration de supports utilisables et efficaces qui n’introduisent pas d’obstacles supplémentaires aux apprentissages. Nous dégagerons les tendances des pratiques en cours au moment de l’étude et identifierons les obstacles à leur approfondissement. Nous mettrons également en lumière la complexité de la différenciation de supports numériques de cours et les freins à sa mise en œuvre.
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 | 0.009 | 0.041 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.012 |
| Scholarly communication | 0.010 | 0.015 |
| Open science | 0.003 | 0.007 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.020 | 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".