Cyberviolence de genre dans l’enseignement à distance : un impensé de la continuité pédagogique ?
Bibliographic record
Abstract
Des recherches récentes sur la violence à l’école et à l’université ont montré l’ampleur de la cyberviolence, ainsi que l’existence de facteurs sociaux, dont le genre, qui influent sur le dégrée d’exposition et le caractère des cyberviolences (UNESCO, 2019). Couchot-Schiex et al. (2016) signalent par exemple que les collégiennes et lycéennes françaises sont davantage la cible d’insultes et moqueries en ligne portant sur leur apparence physique que les garçons. Selon une recherche en milieu universitaire au Québec, une personne sur six, étudiant ou travaillant, à l’université a vécu des violences sexuelles dans l’environnement virtuel (Bergeron et al., 2016). L’arrivée de la pandémie de COVID-19 a transformé l’expérience éducative et les dynamiques sociales de façon radicale. De fait, l’absence de contact physique a supprimé les possibilités de violences scolaires ou estudiantines au sein de l’Institution. Mais si les établissements se sont préoccupés d’assurer dans l’urgence la continuité pédagogique, le déplacement possible de ces violences en ligne est resté impensé (Repo et al., 2022). En s’appuyant sur les données recueillies en 2021 auprès du personnel enseignant (France et Suisse romande) (Collet & Geslin, 2022) et de la population étudiante de l’université de Genève (Magni, 2022), cette communication analysera la manière dont la cyberviolence de genre s’est invitée dans les cours en ligne, prenant par surprise la communauté éducative.
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 | 0.010 | 0.023 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.009 | 0.018 |
| Scholarly communication | 0.022 | 0.020 |
| Open science | 0.002 | 0.018 |
| Research integrity | 0.004 | 0.008 |
| Insufficient payload (model declined to judge) | 0.018 | 0.003 |
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".