Des caractéristiques des étudiants à distance
Bibliographic record
Abstract
S’il est beaucoup question de formation à distance (FAD) depuis le début de la pandémie de COVID-19, force est de constater que ce mode d’enseignement est loin d’être une nouveauté, comme le rappelle le sixième numéro de Médiations et médiatisations. La FAD connait un développement continu depuis le début de ce siècle (Conseil supérieur de l’éducation, 2015), notamment au Canada où les établissements d’enseignement supérieur accordent de plus en plus d’importance à la diversification des modalités de formation, qu’elle soit entièrement ou partiellement en ligne (Bates, 2018). Le nombre d’étudiants suivant des cours en FAD est ainsi en hausse constante depuis bon nombre d’années, au point qu’il semble pertinent d’interroger les travaux s’intéressant aux caractéristiques de ces individus longtemps considérés comme « non traditionnels » (Loisier, 2013). Dès lors que les étudiants fréquentant les campus sont de plus en plus variés, de même que les étudiants à distance, y a-t-il encore une différence? Sur quelles caractéristiques s’attardent les recherches? Afin de faire le point, nous proposons de faire part d’une revue systématique de la littérature à cet effet. Nous verrons que si l’objet de notre recherche semble « facile », dégager les écrits portant sur les attributs des apprenants à distance est quelque peu délicat. Nous présenterons ainsi la démarche empruntée et les principaux résultats obtenus.
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 | 0.005 | 0.018 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.011 | 0.005 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.027 | 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".