Bibliographic record
Abstract
Transformer un organisme qui dispense des cours traditionnels en un organisme qui offre des cours à distance et en ligne n’est pas une entreprise de tout repos. Il faut comprendre que l’on travaille avec des spécialistes de la matière qui ont, dans la plupart des cas, toujours présenté leur enseignement en mode présentiel, en salle de classe. Peu d’entre eux ont planifié leurs cours de façon systématique. Cependant, cette planification s’avère une nécessité absolue lorsque l’on envisage d’offrir son enseignement à distance. Selon le professeur Robert Brien, père du design pédagogique dans la Francophonie, « le modèle de développement de cours que propose le professeur Power, dans son ouvrage, est souple et constitue un apport important au développement des cours d’un programme de formation ». Ce livre, écrit dans le style abordable du journal de bord, amène les lecteurs à l’intérieur du processus quotidien du design de cours universitaires, au cœur même de la création des connaissances et de leur organisation en unités pédagogiques. À travers dix études de cas, l’auteur nous présente les complexités inhérentes à cette opération, les obstacles rencontrés par les acteurs, l’émergence graduelle d’un nouveau modèle de design, cela dans l’environnement d’un monde universitaire en pleine mutation qui est peu exploré dans la littérature. Le docteur Michael Power est professeur régulier au Département des études sur l’enseignement et l’apprentissage, Faculté des Sciences de l’éducation, à l’Université Laval, Québec, Canada où il enseigne dans les programmes de technologie éducative et de didactique et où il fait de la recherche dans les domaines du design pédagogique, de l’apprentissage en ligne et de la modélisation des environnements d’apprentissage. Il est chercheur régulier du CIRTA et chercheur associé au réseau pancanadien sur les jeux éducatifs et simulations ApprentisSAGE-jes.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.067 | 0.032 |
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".