Vers une Didactique Algorithmique Hybride : Une proposition Théorique en Design Research-Étude de Cas en Tunisie
Bibliographic record
Abstract
Cet article relève d’une démarche hybride de design research épistémique, alliant réflexivité critique, modélisation conceptuelle et ancrage contextuel, dans le but de produire des modèles éducatifs testables. Il propose une reconfiguration didactique de nature systémique, allant au-delà de la pédagogie et de l’andragogie, et établissant un cadre algorithmique en adéquation avec les réalités locales. Face à la prolifération de méthodologies éducatives déconnectées du contexte tunisien, nous interrogeons la manière dont les dispositifs d’habilitation, d’accréditation et de réforme curriculaire imposent des normes exogènes qui figent les savoirs au lieu de les faire émerger. Notre démarche vise à intégrer les paramètres contextuels, climatiques, sensoriels, socio-économiques et territoriaux, dans la modélisation didactique, à dépasser la dichotomie pédagogie/andragogie en faveur d’un apprentissage profondément ancré dans les spécificités locales, et à transformer les mécanismes d’accréditation et d’habilitation en leviers d’innovation pédagogique. Inspirée par une logique systémique et complexe, cette recherche introduit deux algorithmes, Adaptive Systemic Algorithm (ASA) et Transposition Reconfiguration Algorithm TRA, ainsi qu’une solution intégrée, Designer of Didactic Parameters Remedies (D2PR), dont l’originalité réside dans l’intégration explicite des contraintes institutionnelles et budgétaires réelles via le module Political-Constraint Simulator (POL-CONST). Le cas tunisien, marqué par une grande diversité géoculturelle, sert de prototype pour un design épistémique post-hégémonique, transformant l’enseignement en un acte collectif de co-invention orienté vers l’émancipation intellectuelle plutôt que vers la conformité institutionnelle.
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 | 0.040 | 0.039 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.006 |
| Science and technology studies | 0.005 | 0.019 |
| Scholarly communication | 0.018 | 0.010 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 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".