Modélisation d’un processus d’évaluation des compétences qui prend en compte le savoir-être et s’appuie sur le jugement professionnel
Notice bibliographique
Résumé
L’évaluation du savoir-être constitue un défi pour les équipes enseignantes à l’ordre d’enseignement collégial, notamment lors des stages dans les programmes de formation techniques. Pour s’adapter à un marché du travail en pleine mutation et toujours plus exigeant (Bellier-Michel, 2004 ; Faure, 2023), des pratiques novatrices émergent sur le terrain, mais les équipes enseignantes se retrouvent face à diverses difficultés : définir la notion de savoir-être (qui est polysémique), cerner les attentes du marché du travail en ce qui concerne le savoir-être et utiliser le jugement professionnel pour évaluer des compétences professionnelles en prenant en compte le savoir-être. Un projet de recherche-action-formation (Guay et al., 2016) a été mené avec une équipe de six enseignantes d’un programme d’études collégial lié au secteur de la santé. Précédée d’une analyse de besoins de formation (Roussel, 2011), la mise en place d’une communauté d’apprentissage comme dispositif d’accompagnement (Savoie-Zajc, 2010) visait à coconstruire un processus d’évaluation des compétences qui prend en compte le savoir-être et s’appuie sur le jugement professionnel (Beauchamp, 2020). Cet article a pour but de présenter la modélisation de ce processus permettant de rendre compte du développement du savoir-être en stage pour soutenir le jugement professionnel quant à l’atteinte du niveau attendu de développement des compétences.
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 | 0,010 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,003 |
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 ».