Regards critiques sur les usages pédagogiques du numérique : pérenniser les pratiques pédagogiques innovantes
Bibliographic record
Abstract
Avec le développement diversifié d’outils numériques innovants, les usages pédagogiques numériques peuvent prendre différentes formes, mais dans tous les cas, elles impliquent le développement de la compétence numérique des enseignant-es. Cependant, année après année, la formation des enseignant-es sur les usages pédagogiques du numérique reste à ce jour un défi pour plusieurs. De plus, les recherches sur le développement de la compétence numérique nous indiquent une évolution mitigée quant à la maitrise des différentes composantes de la compétence numérique. Par conséquent, un regard critique et réflexif sur les écrits scientifiques est nécessaire pour appréhender les usages pédagogiques du numérique pour mettre en place des scénarios pédagogiques qui optimisent l’apprentissage des apprenants. Pour ce faire, nous présenterons une synthèse des écrits scientifiques sur les usages pédagogiques du numérique par des enseignant-es. Dans cette perspective, cette présentation sera aussi l’occasion de présenter le point de vue des étudiant-es sur leur l’expérience éducative vécue particulièrement dans un contexte d’apprentissage en ligne afin de questionner les pratiques pédagogiques des enseignants-es.
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 | 0.019 | 0.037 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.005 | 0.019 |
| Scholarly communication | 0.016 | 0.015 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.004 | 0.007 |
| Insufficient payload (model declined to judge) | 0.010 | 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".