Pour une nouvelle formation en muséologie : au-delà du « savoir » et du « savoir-faire », le « savoir-devenir »
Bibliographic record
Abstract
Au cours des deux dernières décennies, une vaste réflexion a porté sur les transformations profondes qui sont venues bouleverser le monde des musées. En plus de mener des travaux portant sur les tendances sociétales et leurs répercussions sur la démocratisation culturelle, qui affectent les comportements des visiteurs, jeunes comme adultes, il devient impératif pour le monde universitaire de poser un regard critique sur les grandes orientations qui balisent la formation des muséologues en Amérique du Nord et en Europe. L’examen des transformations de l’institution muséale commande une véritable transformation des programmes d’études supérieures en muséologie, afin de faire face aux nouveaux enjeux de la culture et de son développement. Cet article identifie certaines tendances, comme la convergence des bibliothèques, des archives et des musées, traduite par l’expression anglophone « L.A.M. », la cybermuséologie et les TIC, qui contribuent à transformer l’institution muséale. Celles-ci convoquent de nouvelles perspectives à l’égard du savoir, du savoir-faire et du savoir-être, voire du « savoir-devenir », dans la formation d’études supérieures en muséologie, afin de faire face aux nouveaux défis et enjeux posés par la société de demain.
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 | 0.006 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.017 | 0.044 |
| Scholarly communication | 0.018 | 0.012 |
| Open science | 0.001 | 0.009 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
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".