L’odyssée d’Odyssée numérique : un jeu sur la compétence numérique
Bibliographic record
Abstract
Une des trois orientations du Plan d’action numérique en éducation et en enseignement supérieur (MEES, 2018) est de soutenir le développement des compétences numériques de la population québécoise. Avec cette ambition, le ministère de l’Éducation et de l’Enseignement supérieur a présenté le Cadre de référence de la compétence numérique (MEES, 2019). Voulant offrir un outil qui permettrait aux personnes étudiantes universitaires d’en apprendre plus sur les différentes dimensions de la compétence numérique et d'en soutenir le développement, l’Université du Québec (UQ) a reçu un financement du gouvernement du Québec afin de développer un jeu sérieux destiné au public universitaire. Fort de la collaboration entre des personnes professionnelles, enseignantes universitaires et étudiantes issues de tous les établissements de l’UQ, ainsi que de la coopérative de travail Lucid Tales, le jeu sérieux Odyssée numérique a été officiellement lancé à l’automne 2023. L’objectif de cette communication est de présenter les différentes étapes de ce projet. Notamment, sera justifiée l’utilisation d’un jeu sérieux en contexte universitaire et seront exposés l’idéation du projet, l’intégration du public étudiant dans le processus ainsi que la négociation entre les impératifs pédagogiques et les limites techniques et ludiques. Nous présenterons également quelques leçons de notre expérience à titre de bilan ainsi que les prochaines étapes possibles.
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 | 0.006 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.013 | 0.013 |
| Scholarly communication | 0.011 | 0.006 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.003 | 0.006 |
| 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".