Occasions et défis de l’utilisation de la microcertification numérique au 21e siècle : présentation d’un modèle conceptuel pour les gestionnaires
Notice bibliographique
Résumé
La crise sanitaire provoquée par la pandémie de COVID-19 a engendré des perturbations majeures dans tous les secteurs de l’industrie et a accéléré la transformation numérique des organisations tout en étant le catalyseur de la formation en ligne et de l’apprentissage par le numérique (Brunet, 2020; FCEI, 2020; Lamb, 2020). Ainsi, dans un contexte postpandémique, il est envisageable que les systèmes de formation des organisations soient principalement basés sur des modalités de formations en ligne ou hybrides (Schrumm, 2020). De plus, le mode de formation dit traditionnel entraîne plusieurs insatisfactions chez les gestionnaires actuels. Ainsi, de nouvelles options sont envisagées par les employeurs eux-mêmes afin de pallier le manque de compétences spécifiques de leur main-d’œuvre qui sont propres à leur industrie. L’une de ces initiatives est la microcertification numérique (MCN). Cet article propose un modèle conceptuel construit à partir d’une revue de la littérature qui marie le domaine de l’éducation avec celui du monde des affaires. Il présente les éléments qui accélèrent l’adoption des MCN ainsi que les possibles obstacles lors de l’implémentation.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; un appel candidat d’une seule tête enseignante, 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 ».