Comment mettre en oeuvre un enseignement de la citoyenneté numérique en respectant une visée égalitaire ?
Bibliographic record
Abstract
Les visées actuelles des récents curricula scolaires s’articulent autour de la formation de citoyen·ne·s numériques (Conseil de l’Europe, 2021 ; Digitalwallonie.be, 2021 ; gouvernement du Canada, 2021 ; Conférence Intercantonale de l’Instruction Publique de Suisse romande, 2021). Pour la Suisse romande, l‘éducation numérique s’impose désormais comme discipline scolaire (CIIP, 2021). Toutefois, d’un point de vue social, ces savoirs sont identifiés comme étant androcentrés (Colette et Marjolaine, 2017, Collet, 2019). Dans ce contexte, l’éducation numérique requiert une réflexion afin de prévenir la reproduction de stéréotypes et, in fine, travailler à l’égalité entre les sexes à l’école (Fassa, 2013). Dans le cadre de cette communication, il s’agira de présenter les premiers résultats d'une recherche-intervention visant à documenter l'implémentation d'un dispositif de formation aux perspectives genre et numérique auprès d’enseignant·e·s et à documenter l'implémentation de séquences d’enseignement de citoyenneté numérique menées auprès d’élèves de 10/12 ans. Les résultats de ces investigations devraient permettre d’identifier les enjeux de l’enseignement de la citoyenneté numérique en vue de faire évoluer cette discipline vers plus d’égalité. Par la formalisation de dispositifs d’enseignement/formation, il s'agira de soutenir le développement de compétences essentielles à de futur·e·s citoyen·ne·s, professionnel·le·s et innovateur·trice·s.
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 | 0.020 | 0.050 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.011 |
| Scholarly communication | 0.014 | 0.015 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.025 | 0.006 |
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".