Bibliographic record
Abstract
En 2018, Hagg et Gabrielsonn ont mis au jour différentes périodes marquantes de l’histoire de la pédagogie en contexte entrepreneurial. Alors que durant les années 1980, les travaux de recherche étaient centrés sur l’enseignant, la décennie 1990 a été le théâtre de préoccupations sur le processus d’apprentissage. Par contre, au tournant de l’an 2000, les efforts se sont concentrés davantage sur le contexte d’apprentissage des formations. Enfin, dans les années 2010, l’attention des chercheurs a porté davantage sur la personne apprenante. Cette dernière phase mettait en valeur l’approche constructiviste, les interactions entre l’apprenant et son environnement et, finalement, les mesures d’impact des programmes de formation à l’entrepreneuriat sur le développement des étudiants. À partir d’une analyse de co-citations entre les années 1990 et 2014, Loi et coll. (2016) font ressortir plusieurs interrogations récurrentes qui ratissent ce domaine d’expertise : quelles sont les définitions et les tendances à long terme de l’éducation entrepreneuriale ? Quelles sont les intentions entrepreneuriales de ceux et celles qui participent tant aux formations courtes que longues ? Comment comprendre l’apprentissage entrepreneurial des entrepreneurs et leurs processus de cognition ? Comment développer une pédagogie entrepreneuriale spécifique ? Comment évaluer les différents impacts des formations sur les résultats d’apprentissage ?
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 | 0.003 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.005 | 0.006 |
| Insufficient payload (model declined to judge) | 0.226 | 0.119 |
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".