Leçons tirées de la pandémie de COVID-19 : rapport national 2021
Bibliographic record
Abstract
"Après une interruption d’un an en raison de la nature difficile de 2020, l’Association canadienne de recherche sur la formation en ligne (ACRFL) a repris son sondage national sur l’apprentissage en ligne et numérique au printemps 2021. Notre principal objectif de recherche était d’évaluer les impacts actuels de la pandémie sur l’état de l’apprentissage numérique au Canada. En 2021, l’ACRFL a enquêté auprès des établissements durant le déploiement de la vaccination, avant l’apparition du variant delta du virus. Lorsque les établissements remplissaient le sondage, il semblait que le pire de la pandémie pourrait être passé au plus tard au début du semestre d’automne 2021, avec peu de restrictions nécessaires. À l’époque, les sujets d’intérêt dans le milieu postsecondaire canadien comprenaient : la définition des termes clés liés aux modes de prestation des cours (p. ex., apprentissage en ligne, apprentissage hybride), les attitudes du corps enseignant à l’égard des différents aspects de l’apprentissage numérique, les expériences et les préférences des étudiants, les stratégies mises en œuvre pour surmonter les défis liés à la pandémie, les tendances prévues en matière d’apprentissage numérique et l’impact de la pandémie.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 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".