Transition numérique et innovation pédagogique dans l’enseignement supérieur au Niger : contexte, solutions expérimentées et alternatives possibles
Bibliographic record
Abstract
Le développement et l’utilisation des technologies éducatives dans le supérieur sont devenus des pratiques à prendre en compte pour améliorer la qualité et la continuité de l'enseignement et de l'apprentissage. Au Niger, dans les universités publiques, le développement du numérique est encore au stade des intentions et des réflexions stratégiques. Pour aller vers une transition numérique et des innovations pédagogiques susceptibles de transformer les pratiques pédagogiques des enseignants et les modalités d’apprentissage des étudiants, l’article tente d’analyser les contextes, les solutions expérimentées et les alternatives possibles qui sont des possibilités d’intégration du numérique dans les pratiques et le fonctionnement du système de l’enseignement supérieur au Niger. L’article, qui s’appuie sur l’utilisation du numérique dans un contexte universitaire de réformes, montre que des initiatives de mise en place de plateformes numériques d’enseignement à distance et des alternatives sont possibles si l’engagement des enseignants est régi par des textes réglementaires. Il conclut sur la nécessité de reconsidérer l’usage des technologies éducatives en lien avec les priorités des universités et de repenser l’utilisation du numérique comme une science innovante.
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 | 0.013 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.006 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 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".