Persévérance et abandon en formation à distance : de la compréhension des facteurs d’abandon aux propositions d’actions pour soutenir l’engagement des étudiants
Bibliographic record
Abstract
Alors que la formation à distance se développe rapidement depuis une vingtaine d’années, décideurs et chercheurs tentent encore de saisir les raisons pour lesquelles les abandons sont si importants. Bien qu’il soit difficile d’établir des comparaisons entre les formations suivies en présence et à distance, on remarque tout de même un taux de persévérance plus grand du côté de la formation en face-à-face. Cet ouvrage propose donc de cerner les principaux facteurs de persévérance et d’abandon dans l’enseignement supérieur à distance, en s’intéressant tant aux étudiants universitaires en formation à distance dans leur ensemble qu’à des profils plus particuliers comme ceux des étudiants autochtones ou en situation de handicap. Les angles d’approches variés et complémentaires adoptés dans ce livre permettent de croiser des facteurs tels que les caractéristiques socioéconomiques, scolaires et environnementales des apprenants, leurs stratégies d’apprentissage, le design pédagogique des cours qu’ils suivent ou l’accompagnement dont ils bénéficient. \n \nCe collectif d’auteurs québécois et européens offre ainsi une vision nuancée et finement argumentée de la persévérance et de l’abandon en formation totalement ou partiellement à distance. Tant des dispositifs de longue date que d’autres plus récemment développés ou en cours de création sont analysés. Ce faisant, les onze chapitres permettent d’aller au-delà des critiques de la formation à distance centrées sur l’abandon en proposant des éléments de compréhension des phénomènes en jeu et des pistes d’action. Ce livre s’adresse aux enseignants, chercheurs et décideurs intéressés à mieux saisir les particularités de la formation à distance pour favoriser la persévérance des étudiants.
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 | 0.040 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.008 | 0.038 |
| Scholarly communication | 0.020 | 0.020 |
| Open science | 0.003 | 0.010 |
| Research integrity | 0.005 | 0.007 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
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".