Les effets de la formation informelle sur les gains : une comparaison sur données appariées françaises, marocaines et tunisiennes
Notice bibliographique
Résumé
À partir d’un modèle d’apprentissage qui identifie deux des principales composantes de la formation en entreprise : lelearning by watchinget lelearning by experience, nous faisons apparaître, à l’aide de données appariées sur la France, la Tunisie et le Maroc, des effets contrastés de la formation informelle sur les gains. Bien que les rendements de l’ancienneté soient significativement plus élevés dans les deux pays du Maghreb, lelearning by experiencesemble être, pour les employés marocains, la seule composante de ce type de formation a avoir un impact significatif sur les gains. La richesse du modèle présenté ici ne réside pas exclusivement dans la mesure des effets dulearning by watchinget dulearning by experience, mais aussi, dans l’estimation de la vitesse à laquelle se diffuse le savoir au sein de l’établissement et du potentiel formateur de ce dernier par rapport au savoir du travailleur entrant. Les résultats montrent que ce savoir relatif est presque deux fois plus élevé dans le cas tunisien que dans le cas français et n’apparaît pas significatif pour les établissements marocains.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».