La fabriqueREL, le pourquoi, le quoi, le comment et les premiers résultats
Bibliographic record
Abstract
Selon l’UNESCO (2002) : « Les ressources éducatives libres (REL) désignent « des matériels d'enseignement, d'apprentissage et de recherche sur tout support, numérique ou autre, existant dans le domaine public ou publiés sous une licence ouverte permettant l'accès, l'utilisation, l’adaptation et la redistribution gratuits par d'autres, sans restrictions ou avec des restrictions limitées. Les licences ouvertes sont fondées dans le cadre existant du droit à la propriété intellectuelle, comme défini par les conventions internationales concernées, et respectent la paternité de l'œuvre. » De telles ressources d’enseignement gratuites disponibles en ligne se multiplient depuis un moment déjà, mais toujours selon l’UNESCO (2016) « le problème fondamental est que les REL, après 10 ans de plaidoyer dans le monde entier, restent à intégrer plus pleinement dans les politiques et les pratiques éducatives ». En effet, de nombreux freins peuvent expliquer l’adoption très lente de ce patrimoine et encore plus lente dans le monde francophone. Lors de cette conférence, nous reviendrons sur la nature des REL, présenterons les principaux obstacles rencontrés pour leur adoption et émettrons quelques recommandations pour les atténuer.
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 | 0.014 | 0.028 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.009 | 0.012 |
| Scholarly communication | 0.018 | 0.016 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.006 | 0.010 |
| Insufficient payload (model declined to judge) | 0.027 | 0.007 |
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".