Relever le défi de l’Approche Par Compétence pour la formation doctorale : enjeux et proposition de l’expérimentation d’un curriculum au sein du Laboratoire Educations et Pratiques de santé UR 3412
Bibliographic record
Abstract
L’arrêté du 22 février 2019(1) inscrit le doctorat au répertoire national de la certification (RNCP) professionnelle et définit de nouvelles compétences devant être acquises au cours de la formation doctorale. Il s’agit de replacer le doctorant dans une perspective métier, la réalisation d’une thèse s’accompagnant du développement de compétences que l’on peut attendre d’un chercheur. Au-delà d’une simple visée utilitariste de la notion de compétence(2) -dont les acceptions sont multiples- sa mise en œuvre dans les dispositifs de formation est décrite dans la littérature comme une opportunité de faire changer et d’améliorer les pratiques pédagogiques. Pour la formation doctorale, cela peut être l’occasion de discuter les enjeux de qualité(3) des processus d’accompagnement pédagogique, de la construction du projet de recherche du doctorant et de son parcours professionnel. Dans cette perspective, un comité de pilotage du LEPS UR 3412 réunissant doctorants, enseignants-chercheurs et directeurs a conçu et mis en place un dispositif de formation à l’attention des doctorants du LEPS. Ce dispositif est basé sur une Approche Par Compétence(4) articulant des ressources pédagogiques mises à disposition par le laboratoire et l’Ecole Erasme-Université Sorbonne Paris Nord. La construction du dispositif s’est opérée en plusieurs étapes itératives, de la définition d’un référentiel de compétences à partir du cadre législatif à son opérationnalisation en lien avec les valeurs et axes de recherche du laboratoire. Les activités de formation sont organisées au moyen d’une planification en spirale(5). Celle-ci permet au doctorant de complexifier ses apprentissages de manière graduelle en les reliant à ceux préexistants, dans une perspective socioconstructiviste et pragmatiste de l’apprentissage. Les doctorants sont impliqués à chaque niveau de la formation, que cela soit pour sa gouvernance, dans la planification, ou la réalisation des activités à visée d’apprentissage. Au travers cette communication, il s’agit de présenter le dispositif de formation en cours d’expérimentation, de discuter la conception curriculaire, ses avantages et ses limites pour l’amélioration de la formation des doctorants. Références : 1. Arrêté du 22 février 2019 définissant les compétences des diplômés du doctorat et inscrivant le doctorat au répertoire national de la certification professionnelle [Internet]. Disponible sur: https://www.legifrance.gouv.fr/affichTexte.do?cidTexte=JORFTEXT000038200990&categorieLien=id 2. Tardif J. L’évaluation des compétences. Documenter le parcours de développement. Montréal (QC) : Chenelière Education. 2006. 363 p. 3. Workshop Encadrement Doctoral 2018 « La qualité du doctorat ». Organisé par Adoc Mètis, l’Association Nationale des Docteurs, le Réseau National de Collèges Doctoraux et l’Université de Lyon. [Internet]. Disponible sur: https://w-e-d.info/ 4. Poumay M, Tardif J, Georges F. Organiser la formation à partir des compétences - Un pari gagnant pour l’apprentissage dans le supérieur. De Boeck supérieur; 2017. 5. Harden RM, Stamper N. What is a spiral curriculum? Med Teach. mars 1999;21(2):141‑3.
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 | 0.151 | 0.188 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.006 | 0.025 |
| Scholarly communication | 0.025 | 0.021 |
| Open science | 0.005 | 0.012 |
| Research integrity | 0.010 | 0.012 |
| Insufficient payload (model declined to judge) | 0.009 | 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".