Modélisation d’un processus d’évaluation des compétences qui prend en compte le savoir-être et s’appuie sur le jugement professionnel
Bibliographic record
Abstract
L’évaluation du savoir-être constitue un défi pour les équipes enseignantes à l’ordre d’enseignement collégial, notamment lors des stages dans les programmes de formation techniques. Pour s’adapter à un marché du travail en pleine mutation et toujours plus exigeant (Bellier-Michel, 2004 ; Faure, 2023), des pratiques novatrices émergent sur le terrain, mais les équipes enseignantes se retrouvent face à diverses difficultés : définir la notion de savoir-être (qui est polysémique), cerner les attentes du marché du travail en ce qui concerne le savoir-être et utiliser le jugement professionnel pour évaluer des compétences professionnelles en prenant en compte le savoir-être. Un projet de recherche-action-formation (Guay et al., 2016) a été mené avec une équipe de six enseignantes d’un programme d’études collégial lié au secteur de la santé. Précédée d’une analyse de besoins de formation (Roussel, 2011), la mise en place d’une communauté d’apprentissage comme dispositif d’accompagnement (Savoie-Zajc, 2010) visait à coconstruire un processus d’évaluation des compétences qui prend en compte le savoir-être et s’appuie sur le jugement professionnel (Beauchamp, 2020). Cet article a pour but de présenter la modélisation de ce processus permettant de rendre compte du développement du savoir-être en stage pour soutenir le jugement professionnel quant à l’atteinte du niveau attendu de développement des compétences.
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 | 0.010 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.013 | 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".