A Quantitative Analysis of 21st Century Skills: A Case of Semantic and Psychometric Overlap
Notice bibliographique
Résumé
ABSTRACT While the concept of 21st century skills has become omnipresent, there is little consistency regarding the terms, definitions, or measurement instruments used, causing a problem for personnel selection policies as well as education and training. A proliferation of terms makes it difficult to identify, operationalize, assess, and teach these nontechnical skills, and also goes against the scientific principle of parsimony. This study aimed to simplify the field by using a three‐phase approach to quantify and reduce the extent of proliferation: A literature survey, a latent semantic analysis, and a hierarchical cluster analysis. Forty 21st century “skills” were identified in the literature search, and analyses revealed a high degree of semantic and psychometric overlap. This suggests that some individual “skills” may not be conceptually distinct, but are rather an array of context‐dependent manifestations of a more general underlying competency. We stop short of proposing a new taxonomy of 21st century skills, however some examples of conceptually distinct themes to emerge include competencies relating to interpersonal (e.g., teamwork), intrapersonal (e.g., self‐management), and goal‐directed/executive skills. To establish greater coherence within the field, we suggest standardizing terms, reducing task impurity of assessment, and revisiting the concept of skills to encompass only higher‐order, general competencies. We assert that human resources (HR) professionals should shift from isolated skill labels to adopt competency‐based hiring and training frameworks, and use dynamic, behavior‐based assessments to evidence these abilities rather than self‐reports.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».