Bibliographic record
Abstract
Nos apprentissages sont produits pour une large part en dehors des cadres institués d’apprentissage, de façon « informelle ». Ce sont des apprentissages dits « en contexte » (Schön, 1996), liés à la vie quotidienne et à des formes d’affiliations sociales spécifiques. Bien qu’ils soient peu visibles, ces apprentissages constituent le principe organisateur du rapport de chacun à « l’apprendre ». Ils sont mobilisés dans les situations de rupture des continuités de la vie, de décrochage social, d’engagement du sujet dans des situations inédites ou d’exception. Leur efficience est très liée aux formes d’affiliation qui les organisent, qui conjuguent relations fondées sur la participation et implication affective. Ces liens complexes entre affiliations et apprentissages qui émergent de la vie quotidienne participent également à l’engagement ou au non-engagement du sujet dans les dispositifs de formation institutionnalisés. L’article revisite un ensemble de nos recherches documentaires et empiriques et propose une modélisation de cette dynamique qui conjugue apprentissages, vie quotidienne et processus d’affiliation. Les travaux convoqués portent notamment sur les pratiques autodidactiques et sur l’engagement en formation de personnes en situation de vulnérabilité, de transition, voire de « décrochage social ».
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 | 0.005 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.007 | 0.011 |
| Scholarly communication | 0.012 | 0.009 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.014 | 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".