The recognition of non-formal education in higher education: Where are we now, and are we learning from experience?
Notice bibliographique
Résumé
The increasing availability of non-formal education in the form of Open Education Resources (OERs) and Massive Open Online Courses (MOOCs) gives rise to the questions of how such education can be formally recognized for credit. Prior Learning Assessment and Recognition (PLAR), and Qualification Frameworks are fields of practice actively engaged in and associated with the recognition of non-formal education (RNFE) and can provide guidance on RNFE for the recognition of OERs/MOOCs. A scoping exercise reviews the literatures from the three fields and associated practical exemplars. Findings suggest a growing demand for, growth in, and diversification of, the recognition of non-formal education. Synergies or creative combinations of expertise across the three fields that could be further exploited to gain maximum traction for RNFE are identified. These are multi-dimensional: top-down, bottom-up, sector to sector, country to country, qualification framework to qualification framework, system to system, field to field. There is ample evidence that the process of recognition, albeit demanding, does have a positive effect on the quality of the NFE, and by association, it is hoped, on the qualification status of individuals and their access to related social and economic benefits. Resumé L’offre croissante d’éducation non-formelle sous forme de ressources éducatives libres (RELs) et de cours en ligne ouverts et massifs (CLOMs) soulève la question de savoir dans quelle mesure une telle éducation peut être formellement reconnue et accréditée. La validation des acquis de l’expérience (VAE) et les nomenclatures de qualification sont des champs de pratique activement engagé dans et associé avec la reconnaissance de l’éducation non formelle et peuvent servir de guide à la reconnaissance de l’éducation non formelle offerte sous forme de RELs ou de CLOMs. Une revue de littérature s’intéresse aux trois champs et associe des exemples pratiques. Les résultats suggèrent l’existence d’une demande croissante concernant l’ampleur et la diversité de la reconnaissance de l’éducation non-formelle. Les synergies ou les combinaisons créatives d’expertise existant dans les trois champs et qui pourraient par la suite être exploitées pour favoriser au mieux l’éducation non formelle sont identifiées. Ces dernières sont multidimensionnelles : du sommet à la base, de la base au sommet, secteur par secteur, pays par pays, nomenclature de qualification par nomenclature de qualification, système par système, champ par champ. De nombreux éléments prouvent que le processus de reconnaissance, bien qu’exigeant, a un effet positif sur la qualité de l’éducation non-formelle, et devrait, par association, en avoir sur les statuts de qualification des individus et l’accès aux avantages sociaux et économiques qui les accompagnent.
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 | 0,017 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,013 |
| Communication savante | 0,019 | 0,032 |
| Science ouverte | 0,001 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».