Bibliographic record
Abstract
L’article présente les résultats d’une recherche s’intéressant au transfert des apprentissages entre l’école, en l’occurrence un Centre de formation en entreprise et récupération (CFER), et le milieu de travail. Les résultats mettent en parallèle les données obtenues auprès de trois catégories de sujets, à savoir les élèves, les enseignants et les employeurs. Ils sont exposés en tenant compte des questions de l’insertion sociale et professionnelle, du rôle des acteurs (soit les enseignants et les employeurs), de l’intérêt pour la formation générale et de la préparation au marché du travail. La similitude entre l’activité de perfectionnement et le milieu de travail est un facteur qui occupe une place importante dans les réflexions et les discussions sur le transfert des apprentissages. En accord avec certains résultats de recherche, dont ceux de Pilon (1993) et de Taylor (1998), nous réaffirmons que l’employeur joue ou devrait jouer un rôle complémentaire ou de « relayeur » à celui de l’enseignant. Dans le processus de transfert des apprentissages, l’imputabilité de supervision et d’accompagnement, tant de la part des enseignants que des employeurs, semble être importante afin de permettre aux apprenantes et apprenants de s’insérer plus facilement dans le monde du travail.
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 | 0.010 | 0.029 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 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".