Usages et pratiques numériques en contexte universitaire
Bibliographic record
Abstract
Ce numéro 39 rassemble un panorama concret de ce qui bouge aujourd’hui dans les usages numériques universitaires. On y croise à la fois des projets pédagogiques innovants, des avancées SI qui simplifient la vie des campus, et des retours d’expérience très ancrés dans le quotidien des établissements.Vous y trouverez d’abord un regard stratégique, signé Didier Paquelin, Professeur titulaire, Chaire de leadership en pédagogie de l’enseignement supérieur à l’Université Laval, sur deux décennies de transformations numériques : comment les universités adaptent leurs organisations, composent avec l’essor de l’IA et réaffirment leurs valeurs face à ces accélérations.Vient ensuite une série de portraits d’usages, issus de Poitiers, de l’IMT Mines Alès, de l’ENSAM, de PSL ou encore de l’Université du Littoral : des simulations immersives en réalité virtuelle,des jeux sérieux pour explorer l’environnement ou accompagner les étudiants,des plateformes associatives renouvelées,des outils de portfolio pour valoriser les compétences.Côté systèmes d’information, le numéro met en lumière plusieurs projets structurants : les cas d’usage de l’IA générative Mistral, l’évolution du dédoublonnage dans Pégase, les solutions ESUP, EDUTAP ou encore les outils dédiés à la mobilité internationale.Un ensemble dense et stimulant : ce que font les établissements, comment ils innovent, ce qu’ils testent, ce qui fonctionne… et ce qui mérite d’être partagé. Une bonne lecture de saison, accessible à tous, pour traverser l’hiver en restant connecté à ce qui se construit dans l’ESR.
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 | 0.004 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.011 | 0.010 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.021 | 0.004 |
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".