Occasions et défis de l’utilisation de la microcertification numérique au 21e siècle : présentation d’un modèle conceptuel pour les gestionnaires
Bibliographic record
Abstract
La crise sanitaire provoquée par la pandémie de COVID-19 a engendré des perturbations majeures dans tous les secteurs de l’industrie et a accéléré la transformation numérique des organisations tout en étant le catalyseur de la formation en ligne et de l’apprentissage par le numérique (Brunet, 2020; FCEI, 2020; Lamb, 2020). Ainsi, dans un contexte postpandémique, il est envisageable que les systèmes de formation des organisations soient principalement basés sur des modalités de formations en ligne ou hybrides (Schrumm, 2020). De plus, le mode de formation dit traditionnel entraîne plusieurs insatisfactions chez les gestionnaires actuels. Ainsi, de nouvelles options sont envisagées par les employeurs eux-mêmes afin de pallier le manque de compétences spécifiques de leur main-d’œuvre qui sont propres à leur industrie. L’une de ces initiatives est la microcertification numérique (MCN). Cet article propose un modèle conceptuel construit à partir d’une revue de la littérature qui marie le domaine de l’éducation avec celui du monde des affaires. Il présente les éléments qui accélèrent l’adoption des MCN ainsi que les possibles obstacles lors de l’implémentation.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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 teacher head, 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".