Transformation pédagogique vers le distanciel en contexte de crise : l'expérience de la COVID-19
Bibliographic record
Abstract
La pandémie de la COVID-19 s'est soldée par la fermeture des universités (confinement et/ou code rouge) à trois reprises entre mars 2020 et mars 2021. Cet article présente et discute le basculement en distanciel de quatre enseignements en management des systèmes d'information dispensés dans une faculté d'économie et de gestion. Nous traitons en particulier quatre questions. Comment assurer le basculement en distanciel d'enseignements précédemment donnés essentiellement en présentiel dans un contexte de crise ? Comment organiser l'évaluation à distance des étudiants ? Constate-t-on des différences d'approches entre institutions ? Cet effort de transformation peut-il être rentabilisé au-delà de la situation de crise ? Pour ce faire, nous avons adopté l'approche de l'étude de cas et nous sommes appuyés, d'une part, sur l'analyse de la communication institutionnelle et, d'autre part, sur les feedbacks collectés systématiquement chez les étudiants participant à ces enseignements. La recherche met notamment en évidence le rôle moteur de la crise dans l'appropriation durable des TICE par les enseignants et le besoin de dispositifs institutionnels structurant le partage de bonnes pratiques pédagogiques.
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 | 0.016 | 0.022 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.023 | 0.030 |
| Scholarly communication | 0.015 | 0.009 |
| Open science | 0.002 | 0.019 |
| Research integrity | 0.003 | 0.007 |
| Insufficient payload (model declined to judge) | 0.011 | 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".