Les nouveaux dispositifs d’apprentissage accru en milieu de travail : apports et défis de l’usage du numérique
Bibliographic record
Abstract
Afin de pallier les pénuries de main-d'œuvre, les pouvoirs publics développent des dispositifs de formation innovants basés sur une alternance travail-études accrue qui intègrent des outils numériques (en particulier, pour de l’enseignement à distance). Cet article analyse l’impact du numérique sur les pratiques des entreprises, des travailleurs étudiants et des enseignants qui utilisent ces dispositifs. Le cadre conceptuel de la « situation d’enseignement-apprentissage » (Hérold, 2019) a permis d’analyser de manière dynamique et systémique trois différents dispositifs d’apprentissage accru en milieu de travail. Les résultats démontrent que les transformations que connaissent ces dispositifs sont liées aux caractéristiques des travailleurs, aux dimensions techniques des dispositifs et, surtout, à la dynamique qui se crée entre les différents acteurs dans et en dehors de l’entreprise. Dans la discussion de cet article, des préconisations managériales explicites sont formulées pour enrichir le fonctionnement de ces dispositifs et favoriser la persévérance et la réussite des travailleurs formés.
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 | 0.009 | 0.028 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.003 | 0.008 |
| Scholarly communication | 0.019 | 0.011 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| 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".