Enquête sur la littératie et les compétences des adultes : fichier de microdonnées à grande diffusion
Notice bibliographique
Résumé
Les gouvernements et autres parties prenantes s'intéressent de plus en plus à l'évaluation des compétences de leurs populations adultes afin de déterminer dans quelle mesure elles sont préparées à relever les défis de la société moderne fondée sur la connaissance. On attend des adultes qu'ils utilisent l'information de manière complexe et qu'ils maintiennent et améliorent leurs compétences en lecture et en écriture pour s'adapter à des technologies en constante évolution. La littératie est importante non seulement pour le développement personnel, mais aussi pour obtenir des résultats positifs sur le plan éducatif, social et économique. Les compétences des adultes en littératie, numératie et résolution de problème englobent un continuum d'apprentissage permettant aux individus d'atteindre leurs objectifs, de développer leurs connaissances et leur potentiel, et de participer pleinement à leur communauté et à la société dans son ensemble. Depuis plusieurs décennies, le Canada participe à des enquêtes sur l’évaluation des compétences des adultes. Les enquêtes reviennent à tous les dix ans, la première enquête de la série ayant eu lieu en 1994. D’abord il y a eu l'Enquête internationale sur l'alphabétisation des adultes (EIAA) puis il y a eu l'Enquête internationale sur l'alphabétisation et les compétences des adultes (EIACA) en 2003 et le Programme pour l'évaluation internationale des compétences des adultes (PEICA) cycle 1 et 2 en 2012 et 2022 respectivement. Chacune des enquêtes s'appuie sur les conceptions des enquêtes précédentes. Au fil des ans, le cadre élargit la définition de la littératie pour l'adapter à l'ère de l'information, notamment en incluant les compétences de lecture dans les environnements numériques.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; 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 ».