La formation continue numérisée face à ses discontinuités
Bibliographic record
Abstract
Dans un contexte caractérisé par la volonté d’accroître la responsabilisation individuelle des salariés dans l’acquisition et le maintien de leurs compétences professionnelles, l’utilisation du numérique apparaît aux yeux de certains décideurs comme une solution pertinente pour former leurs employés plus rapidement et en lien plus direct avec la stratégie des entreprises. Mais au-delà des principes séduisants, que montrent les expérimentations en cours ? Pour apporter des éléments de réponse, nous nous appuyons dans cet article sur une enquête qualitative réalisée auprès des apprenants et des formateurs qui ont suivi — voire, pour certains, qui ont mis en place — une formation à distance entièrement numérisée (Corporate Open Online Courses ou COOC) au sein d’une grande entreprise. Nous pointons l’importance du taux d’abandon chez les apprenants, les difficultés des formateurs à exercer leur nouveau rôle d’animateur, et soulignons les discontinuités que la numérisation de la formation induit sur les espace-temps de travail et sur les interconnaissances professionnelles. Nous montrons également que ces discontinuités ont des effets différenciés sur les capacités d’apprentissage des salariés. Grâce à l’approche par les capacités d’Amartya Sen, nous interprétons ces constats en termes de facteurs de conversion (environnementaux, sociaux, individuels). Nous soutenons que c’est l’absence de ces trois catégories de facteurs qui explique, pour les apprenants et pour les formateurs, les discontinuités rencontrées et les inégalités dans la maîtrise des nouveaux dispositifs de formation. Enfin, nous esquissons des pistes pour repenser la numérisation de la formation continue, afin de réduire les risques d’inégalités sociales cristallisées autour de ce type de dispositifs technico-pédagogiques.
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 | 0.022 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.019 | 0.004 |
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".