Les métiers de l’éducation et de la formation : une professionnalisation en tensions
Bibliographic record
Abstract
Les textes officiels et/ou professionnels sur les formations initiales et/ou continues dans les métiers adressés à autrui défendent parfois avec vigueur une visée : la professionnalisation. Outre que ce terme de professionnalisation pourrait apparaître comme un effet de mode, il semble important d’en comprendre ses fondements, ses conditions d’émergence tant du point de vue des recherches en sciences de l’éducation que du point de vue des discours sur et pour la professionnalisation, ses valeurs ajoutées, ses retombées attendues. Cet article propose donc au lecteur un tour d’horizon historique permettant d’expliquer le succès de cette notion. Il vise aussi à définir le terme en le confrontant à d’autres notions ou concepts, et notamment ceux de professionnalité et de savoirs professionnels. Enfin, il cherche à mettre en évidence les grandes questions et enjeux contenus dans cet objectif de professionnalisation en montrant aussi quelles peuvent être les conditions gagnantes pour faire d’un parcours de formation et de développement professionnel un véritable processus de professionnalisation des professionnels de l’éducation ou de la formation en devenir.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.012 | 0.037 |
| Scholarly communication | 0.014 | 0.012 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.004 | 0.009 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".