Devenir membre d’une communauté de discours : Enquête sur les besoins et les pratiques des docteur-es en sciences
Notice bibliographique
Résumé
En 2002, la France a entériné l’objectif linguistique mis en place dans le cadre de la mobilité européenne en décrétant que le diplôme de master « ne peut être délivré qu’après validation de l’aptitude à maîtriser au moins une langue étrangère ». Depuis une décennie, très peu d’études ont examiné la manière d’évaluer cette aptitude ou les véritables besoins professionnels des diplômé-es, notamment dans les domaines des sciences. Dans ce cadre, l’Université Joseph Fourier a lancé une enquête auprès des docteurs en sciences trois ans après l’obtention du diplôme et auprès des responsables de ressources humaines parmi les établissements susceptibles de les recruter. L’objectif de la recherche est de cibler la corrélation entre les compétences de communication en anglais général ou scientifique et les besoins professionnels. Un t-test n’indique aucune différence significative (p = 0,718) pour un sous-ensemble des 12 docteur-es possédant un certificat Toeic (M =5,33 ; ET =1,83) et les 67 autres docteur-es (M = 5,11 ; ET = 2,02). C’est-à-dire que, en ce qui concerne la pratique et la maîtrise de l’anglais, il n’y a pas de différence significative entre les personnes possédant un Toeic (750+) et le reste de cette population. Les résultats montrent aussi qu’une bonne maîtrise de l’ensemble des compétences en anglais est importante. La lecture est un acte quotidien et pose peu de difficultés, l’expression orale est moins pratiquée et moins bien maitrisée et enfin les résultats concernant la prise de notes s’avèrent moins homogènes. Au-delà des compétences spécifiques, la maîtrise de l’anglais jouerait un rôle essentiel dans le parcours professionnel des docteur-es en sciences.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».