Réinventer l’apprentissage du design : ateliers hybrides et immersifs au service de l’accessibilité numérique et de l’équité, diversité et inclusion
Bibliographic record
Abstract
L’intégration des technologies immersives et hybrides dans l’enseignement du design redéfinit les paradigmes pédagogiques en introduisant des environnements interactifs favorisant une compréhension plus intuitive des concepts complexes. La réalité virtuelle (RV) et la réalité augmentée (RA) offrent de nouvelles modalités d’apprentissage, mais leur adoption soulève des défis d’accessibilité et d’inclusion, interrogeant les principes d’équité éducative. L’accessibilité numérique ne se limite pas à une question technique; elle exige une approche inclusive prenant en compte les diversités cognitives, sensorielles et culturelles des apprenants. L’étude explore l’impact de ces technologies sur l’apprentissage du design, en posant l’hypothèse qu’une intégration réfléchie, combinée à des stratégies pédagogiques inclusives, pourrait améliorer l’efficacité éducative et démocratiser l’accès à la formation. Une méthodologie mixte a été adoptée, associant une enquête quantitative menée auprès de 65 enseignants et 120 étudiants issus d’établissements européens et tunisiens de design, ainsi que des entretiens qualitatifs pour identifier les freins et les leviers d’adaptation. Les résultats mettent en évidence des disparités dans l’adoption de ces outils, soulignant la nécessité d’une vigilance méthodologique et éthique pour assurer une appropriation équitable des innovations technopédagogiques et garantir un apprentissage accessible, durable et inclusif.
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 | 0.013 | 0.023 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.006 |
| Scholarly communication | 0.008 | 0.008 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".