Enseigner en comodal: le NEC plus ultra numérique au service de la pédagogie
Bibliographic record
Abstract
Pour plusieurs établissements et enseignants, l’enseignement comodal apparaît de plus en plus comme une façon de faire à privilégier pour leur permettre de développer de la formation à distance et de continuer d’offrir de la formation en présentiel. Depuis le printemps 2020, certains enseignants et enseignantes ont développé de nouvelles pratiques pédagogiques et ont aussi développé de nouvelles compétences en frais d’utilisation des outils numériques. \n \nDe la même manière, après avoir investi en termes d’équipements et de formation, certains gestionnaires d’établissement peuvent voir la formation à distance comme une voie de développement nécessaire et utile lors de situations particulières comme les crises sanitaires, les périodes pandémiques, l’apprentissage à partir d’un centre de soins de santé ou à partir de la maison. Évidemment, la formation à distance peut aussi être vue comme un moyen de joindre davantage de membres de la communauté étudiante au Québec, au Canada, voire dans le monde entier, mais aussi de mieux répondre aux besoins actuels de nos étudiants et étudiantes. \n \nPour les établissements, développer des cours dans ce mode de formation implique des coûts importants et nécessite une stratégie cohérente de mise en œuvre. De leur côté, pour les enseignants et enseignantes, enseigner en comodal comporte un certain nombre d’implications fondamentales qui ont des impacts sur les composantes pédagogiques et technologiques d’un cours. Dans les deux cas, négliger ces aspects peut occasionner des problématiques, des risques qui auront des impacts négatifs chez les apprenants et apprenantes et les enseignants et enseignantes. Lors de cette communication, nous aborderons comment mettre en place de l’enseignement comodal dans un établissement au regard des bonnes pratiques recensées, mais également de risques connus et documentés dans la littérature sur le sujet.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.000 |
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 teacher head, 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".