L’influence du profil identitaire des aspirants apprentis sur leurs choix d’ateliers d’apprentissage
Bibliographic record
Abstract
Les TPE artisanales en Afrique subsaharienne courent le risque « de voir leur performance se détériorer » si elles ne renouvellent pas leur personnel constitué principalement d’apprentis non rémunérés. Cependant, très peu de recherches ont porté sur les déterminants du choix d’atelier d’apprentissage. Cet article se propose donc d’élargir les connaissances sur ces déterminants de choix d’aspirants apprentis à partir d’une analyse des dimensions de la marque employeur, des déterminants des choix scolaires et en introduisant l’influence du profil identitaire dans le choix d’atelier. Basé essentiellement sur l’analyse de 32 discours d’apprentis et sur une démarche de quantification des données portant sur 92 apprentis, ce travail a une triple contribution. D’une part, il enrichit la littérature en expliquant les spécificités du processus de choix des ateliers chez les apprentis non rémunérés. D’autre part, le présent travail identifie plusieurs profils d’aspirants apprentis, ce qui suggère des comportements d’apprentis différenciés et remet en cause les précédents travaux. Enfin, ce travail établit une relation entre profil d’apprenti et choix d’atelier permettant ainsi d’appréhender plus d’aspects du phénomène de choix que ne le font les études antérieures.
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 | 0.004 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.015 | 0.003 |
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".