La formation à la danse à distance : entre accessibilité et difficulté
Bibliographic record
Abstract
Depuis le début de la pandémie les écoles et associations de danse ont dû composer avec les mesures sanitaires et ainsi limiter, voire arrêter leurs activités en présence. C’est ainsi que sont rapidement apparus des cours de danse en ligne. Alors que la formation aux danses de loisirs à distance était rare avant la pandémie, nous nous sommes demandé comment les professeurs de danse étaient passés de la présence à la distance. Autrement dit, nous avons cherché à voir quels changements technopédagogiques avaient dû être mis en œuvre pour poursuivre leur activité. Les propos recueillis dans le cadre d’entretiens avec des professeurs vivant en France et au Québec font ressortir que, parmi ceux qui ont fait le choix d’enseigner à distance, certains ont proposé des cours, et parfois même des festivals, synchrones tandis que d’autres ont privilégié les enseignements asynchrones. Parmi les principaux défis que les professeurs ont eu à relever, il est possible d’en faire ressortir quatre : les contraintes techniques, le fait de devoir enseigner des danses de couple ou de groupe à des personnes seules, la conversion de l’espace domestique en lieu de danse et les limites de l’interaction et de la rétroaction à distance.
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 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.009 | 0.013 |
| Scholarly communication | 0.011 | 0.009 |
| Open science | 0.001 | 0.009 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.023 | 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".