Référentiels de compétences professionnelles de directions d’établissement d’enseignement et technologies numériques : une analyse documentaire, structurale et sémantique
Bibliographic record
Abstract
L’impact du développement des technologies numériques sur l’éducation fait l’objet de recherches soutenues (Huang et al., 2020), mais ce sujet n’est pas systématiquement pris en compte dans les documents d’orientations gouvernementales destinés au personnel de direction d’établissement d’enseignement (DÉ). Afin de comprendre ce qui peut expliquer l’absence d’une référence aux technologies numériques dans des référentiels de compétences des DÉ, il importe de s’attarder aux exigences liées à cette fonction. Dans le cadre d’un projet de recherche s’inscrivant dans un parcours doctoral, l’analyse documentaire de 24 référentiels de compétences a permis d’identifier les endroits où nous trouvons des références aux technologies numériques. Également, l’analyse structurale et sémantique des énoncés liés aux compétences et repérés dans ces référentiels a permis d’identifier les habiletés et les connaissances associées aux technologies numériques.
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 | 0.012 | 0.039 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.007 | 0.008 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.011 | 0.012 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".