Les compétences à développer pour la gestion de projets en IA : part de soi, part d’autrui
Bibliographic record
Abstract
Dans un contexte où l’intégration de l’IA dans les processus, produits et services des organisations devient cruciale, nous avons conduit une recherche centrée sur le développement des compétences en gestion de projets d’IA et avons constaté l’importance croissante des compétences transversales (soft skills). L’objectif était de saisir les dimensions collaboratives versus les dimensions individuelles dans l’acquisition de ces compétences, traditionnellement acquises dans un environnement collectif de travail, du point de vue des gestionnaires de projets IA. Notre texte traite du processus de développement d’un référentiel de compétences, coconstruit avec les experts du domaine, ainsi que des analyses dégagées de ce processus sur le plan des compétences requises et du mode d’acquisition de ces compétences pour le développement de l’identité professionnelle. Ce référentiel vise à orienter les stratégies de formation en gestion de l’IA des établissements de formation, afin qu’ils puissent concevoir des formations adaptées à la réalité du milieu du travail, incluant des besoins d’apprentissage collaboratif.
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 | 0.014 | 0.024 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.006 | 0.013 |
| Scholarly communication | 0.015 | 0.012 |
| Open science | 0.002 | 0.010 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.009 | 0.003 |
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".