Entre mirages, dangers et opportunités, que penser de l’impact de la pandémie sur la présence de la technologie en éducation?
Bibliographic record
Abstract
En mars 2020, face à la pandémie de COVID-19, une fermeture globale des écoles a impacté 1,5 milliard d'apprenants. Diverses réponses ont été apportées à cette crise éducative, révélant des inégalités significatives. Dans les régions à faible connectivité comme certaines parties de l'Afrique, de l'Asie et de l'Amérique du Sud, l'accès restreint à Internet a limité l'enseignement en ligne, forçant l'usage de médias alternatifs tels que la télévision, la radio et le papier. En contraste, des pays comme le Canada et la France ont rapidement mis en place des plateformes d'apprentissage en ligne pour maintenir la continuité pédagogique. L'objectif principal de ce texte est de présenter certains résultats d'une étude sur l'impact de la COVID-19 sur les parents et les enseignants, tout en proposant une réflexion sur les changements induits par la pandémie dans l'usage du numérique en éducation. Avec cet objectif, nous cherchons à comprendre les difficultés rencontrées, les perceptions des modes d'enseignement et les facteurs qui pourraient contribuer à la réussite éducative dans un contexte pandémique, tout en envisageant de nouvelles orientations pour l’usage du numérique en éducation.
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 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.006 | 0.011 |
| Scholarly communication | 0.011 | 0.011 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.014 | 0.001 |
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".