Témoignages de quatre héroïnes académiques de la pandémie de la COVID19
Bibliographic record
Abstract
Les concepteurs pédagogiques et conseillers à la formation œuvrant dans des établissements d’enseignement supérieur travaillent généralement avec un nombre restreint de professeurs qui choisissent d'innover et demandent l'aide d'experts. En pleine pandémie, ces experts sont devenus les "premiers intervenants" pour soutenir la transformation pédagogique et numérique de tous les cours. Ils sont devenus les "héroïnes et les héros académiques de la COVID-19". Durant cette table ronde, mesdames Judith Cantin de l’École Polytechnique de Montréal, Céline Leblanc de l'Université du Québec à Trois-Rivières et Marie-Julie Babin, et Émilie Casista de l’Université Laval discutent du rôle central que leur équipe joue pour aider le corps professoral de leur faculté à assurer une éducation équitable et de qualité pour les étudiants. Elles partagent des stratégies pour surmonter les défis causés ou accentués par la pandémie, mais aussi des succès vécus ainsi que leurs recommandations pour mieux préparer la session d’hiver 2020.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.015 | 0.007 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.019 | 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".