Apprendre les secrets d’une profession au travers de l’expérience temps-réel des experts : capturer et transférer aux novices les savoirs professionnels tacites d’expérience
Bibliographic record
Abstract
Les départs à la retraite en masse de la génération baby-boomer ont mené au challenge actuel de renouvellement des pratiques de compagnonnage professionnel qui, traditionnellement, permettent la transmission des savoir-faire incorporés dans l’expertise manuelle développée avec le temps par les experts. Une recherche menée au sein du plus grand producteur français d’électricité a investigué comment la combinaison de la théorie de l’activité, de méthodes d’ethnographie vidéo et de méthodes psychologiques de verbalisation peut aider à améliorer à la fois la préservation du capital de connaissances et la formation professionnelle aux gestes métier. Cela a amené au développement d’une nouvelle méthode ECAST, dédiée à la capture et au transfert des connaissances tacites et explicites incorporées dans les gestes professionnels des experts, et aboutissant à la construction d’un support didactique pour la formation professionnelle. Cette ressource, appelée MAP, permet aux opérateurs d’apprendre directement au travers de l’expérience en temps réel des experts. Une évaluation qualitative du dispositif a montré une amélioration de la formation. À la suite de ces résultats, le dispositif a été industrialisé par l’entreprise. Cela démontre l’utilité de la méthode proposée pour la capitalisation et la transmission des connaissances tacites.
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 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".