Apport du modèle SAMR pour guider la réflexion sur l’intégration des technologies éducatives aux programmes de formation dans le contexte professionnalisant.
Bibliographic record
Abstract
Dans les programmes professionnalisants, les technologies éducatives se sont progressivement diversifiées au courant des dernières décennies. À titre d’exemple, les simulateurs de patients reproduisent plusieurs paramètres plus fidèlement qu’auparavant, les manuels scolaires incluent souvent des interfaces web qui permettent à l’étudiant de réaliser des activités d’apprentissages, la microscopie optique tend à être remplacé par la microscopie virtuelle. De nouvelles technologies comme la réalité augmentée, l’apparition de jeux sérieux et plus encore apparaissent également dans les stratégies éducatives émergeantes. Dans ce contexte, bien que les chercheurs s’intéressent à l’impact de ces technologies pour les futurs professionnels et qu’on en dégage de multiples bénéfices, leur mise en œuvre pose certains défis (Cabaleiro-Cervino & Vera, 2020). À titre d’exemple, la pluralité des options devient en soi un facteur qui peut causer l’utilisation non optimale de ces outils. En ce sens, le modèle SAMR (Substitution, Augmentation, Modification, Redéfinition) de Ruben Puentedura (2006) permet se concentrer sur l’apprenant, de définir les objectifs d’apprentissages et d’ensuite réaliser l’intégration efficace des technologies dans l’enseignement. L’objectif de la communication est de présenter brièvement le modèle SAMR ainsi que de mettre en évidence son apport dans la mise en œuvre d’une intégration de différentes technologies dans les formations visant la professionnalisation.
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 | 0.022 | 0.043 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.014 | 0.013 |
| Open science | 0.004 | 0.005 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.045 | 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".