Devenir membre d’une communauté de discours : Enquête sur les besoins et les pratiques des docteur-es en sciences
Bibliographic record
Abstract
En 2002, la France a entériné l’objectif linguistique mis en place dans le cadre de la mobilité européenne en décrétant que le diplôme de master « ne peut être délivré qu’après validation de l’aptitude à maîtriser au moins une langue étrangère ». Depuis une décennie, très peu d’études ont examiné la manière d’évaluer cette aptitude ou les véritables besoins professionnels des diplômé-es, notamment dans les domaines des sciences. Dans ce cadre, l’Université Joseph Fourier a lancé une enquête auprès des docteurs en sciences trois ans après l’obtention du diplôme et auprès des responsables de ressources humaines parmi les établissements susceptibles de les recruter. L’objectif de la recherche est de cibler la corrélation entre les compétences de communication en anglais général ou scientifique et les besoins professionnels. Un t-test n’indique aucune différence significative (p = 0,718) pour un sous-ensemble des 12 docteur-es possédant un certificat Toeic (M =5,33 ; ET =1,83) et les 67 autres docteur-es (M = 5,11 ; ET = 2,02). C’est-à-dire que, en ce qui concerne la pratique et la maîtrise de l’anglais, il n’y a pas de différence significative entre les personnes possédant un Toeic (750+) et le reste de cette population. Les résultats montrent aussi qu’une bonne maîtrise de l’ensemble des compétences en anglais est importante. La lecture est un acte quotidien et pose peu de difficultés, l’expression orale est moins pratiquée et moins bien maitrisée et enfin les résultats concernant la prise de notes s’avèrent moins homogènes. Au-delà des compétences spécifiques, la maîtrise de l’anglais jouerait un rôle essentiel dans le parcours professionnel des docteur-es en sciences.
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 | 0.009 | 0.017 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.016 | 0.007 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.008 | 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".