Professionnalisation des enseignants et l’intégration des TNs : regards croisés en formation initiale
Bibliographic record
Abstract
Les résultats mettent en exergue une hiérarchie différenciée dans les préférences déclarées des étudiants : les smartphones et les PC constituent les dispositifs les plus fréquemment mobilisés à des fins pédagogiques, tandis que les tablettes restent marginalisées. Du côté des applications, des plateformes éducatives, des cours en ligne et des logiciels spécialisés affichent des taux d’utilisation élevés. Ces résultats traduisent une dépendance aux environnements numériques structurés. À l’inverse, les outils plus généralistes, tels que Google Scholar, YouTube ou les réseaux sociaux, présentent des usages plus hétérogènes, étroitement liés aux objectifs académiques. L’analyse statistique révèle une forte variabilité des pratiques numériques, soulignant l’hétérogénéité des profils d’appropriation numérique. L’échelle de Likert a permis de capter les nuances attitudinales des étudiants vis-à-vis de ces outils. Cette étude souligne la nécessité de renforcer les compétences numériques des étudiants et de promouvoir une intégration plus stratégique et réflexive des technologies éducatives dans la formation initiale. Elle appelle à des réformes pédagogiques davantage alignées sur les usages réels observés, tout en favorisant une appropriation réfléchie des outils fondés sur l’IA. Elle constitue à la fois un état des lieux empirique et une base de réflexion pour accompagner l’évolution des relations entre étudiants et écosystèmes numériques dans le contexte universitaire tunisien.
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 | 0.012 | 0.029 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.007 | 0.007 |
| Scholarly communication | 0.012 | 0.010 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.035 | 0.007 |
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".