Ressources éducatives par des humains pour des humains : trouver, cocréer et valider [symposium]
Bibliographic record
Abstract
**Cette version présente une version mise à jour du document Grille d’autoévaluation de la qualité d’une ressource éducative numérique (REN) en formation à distance (FAD)** Supports de présentations utilisés lors des trois communications du symposium Ressources éducatives par des humains pour des humains : trouver, cocréer et valider qui s'est déroulé dans le cadre du colloque ROC 2025. Résumé du symposium : Avec l’explosion du numérique depuis quelques années, et en particulier depuis la COVID et l’émergence des systèmes d’IAG, les pratiques pédagogiques ont grandement évolué. D’ailleurs, différents référentiels de compétence ont vu le jour dans la dernière décennie dont le Cadre de référence de la compétence numérique (MÉES, 2019) et le Référentiel de compétences informationnelles en enseignement supérieur (GT-PDCI, 2016). Mentionnons aussi l’apparition de plusieurs autres référentiels de compétences destinés tantôt aux personnes enseignantes (CPU, 2025), aux personnes conseillères pédagogiques (Simard et Basque, 2017) ou aux personnes étudiantes (Miao et al., 2025; Lamy et Sicotte, 2022). Chaque membre de la communauté de l’enseignement supérieur au Québec doit maintenant développer ses compétences avec le numérique, qu’il s’agisse de repérer des ressources pertinentes, d’en créer ou de les évaluer avant de les partager. Ce symposium vise à explorer ces compétences que doivent développer des humains (les personnes enseignantes), pour des humains (les personnes étudiantes). Il y sera question de compétences informationnelles ou numériques, de savoir-être, de collaboration, ainsi que de pensée critique. Trois organisations québécoises prendront la parole: Collecto, qui traitera de la recherche de ressources dans PavillonREN; la fabriqueREL, qui abordera la cocréation de ressources; et le Pôle d’expertise interordres en formation à distance, qui s’attardera à la validation de ressources autoproduites dans un but de partage. Nous examinerons la complémentarité de ces trois organisations dans leurs efforts pour permettre de mieux exploiter les ressources développées par des humains pour des humains. Références Centre de pédagogie universitaire (CPU) (2025). Référentiel de compétences pédagogiques à l’intention du personnel enseignant universitaire. Université de Montréal. https://cpu.umontreal.ca/formations/referentiel-de-competences/ Lamy, C., et Sicotte, A. (2022). Référentiel des compétences numériques attendues des étudiantes et étudiants de l'Université Laval. Université Laval. https://doi.org/10.5281/zenodo.13644546 Miao, F., Shiohira, K., Lao, N. (2025). Référentiel de compétences en IA pour les apprenants. UNESCO. https://doi.org/10.54675/NXRY6511 Ministère de l’Éducation et de l’Enseignement supérieur. (2019). Cadre de référence de la compétence numérique. https://cdn-contenu.quebec.ca/cdn-contenu/education/Numerique/Cadre-reference-competence-num.pdf Groupe de travail de la Promotion du développement des compétences informationnelles (GT-PDCI) du réseau de l’Université du Québec. (2016). Référentiel de compétences informationnelles en enseignement supérieur. Le réseau de l’Université du Québec. https://bibliotheque.uqac.ca/ld.php?content_id=35390488 Simard, C. et Basque, J. (2017). Le conseil - Un référentiel de compétences de conseil en pédagogie de l'enseignement supérieur à distance. Dans P. Pelletier et A. Huot (dir.), Construire l’expertise pédagogique et curriculaire en enseignement supérieur : connaissances, compétences et expériences (p. 99-115). Presses de l'Université du Québec. https://r-libre.teluq.ca/1038/
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 | 0.039 | 0.116 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.022 | 0.006 |
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".