Enjeux et méthodes d’analyse des besoins de formation : le cas d’une formation pour la prévention des accidents
Bibliographic record
Abstract
L’analyse des besoins est une étape considérée comme cruciale lors de la planification d’une formation. Il existe diverses méthodes pour identifier les besoins, sans qu’il y ait d’études pour les comparer au regard des informations obtenues et des coûts associés. C’est dans cette perspective qu’un projet a été réalisé dans le secteur des télécommunications pour vérifier l’apport de différentes méthodes de collecte de données dans un contexte de prévention des accidents lors du transport et de la manipulation d’échelles par des techniciens. Les méthodes comparées sont les rencontres individuelles avec des acteurs de la SST et de la formation (n : 13), les groupes de discussion avec des techniciens (3 groupes, n : 28), l’administration d’un questionnaire en ligne auprès de techniciens et l’analyse de l’activité de travail de cinq techniciens. Cette dernière méthode est souvent ignorée en formation en raison des coûts associés à sa réalisation. Une analyse comparative des méthodes a été effectuée relativement à la nature des informations obtenues. Les résultats montrent que les entrevues avec les acteurs en SST permettent de bien cerner la problématique à l’origine de la demande de formation. Les rencontres de groupe ainsi que le questionnaire ont surtout permis d’identifier les besoins de formation perçus et d’obtenir des informations sur les facteurs qui entrainent des difficultés dans le travail. Quant à l’analyse de l’activité de travail, elle est la méthode qui a fourni une plus grande compréhension du travail à réaliser et des facteurs sur lesquels il faudrait agir pour prévenir les accidents de travail. Elle a aussi mené à l’identification de situations de travail « critiques » et à la mise en mots de savoirs développés avec l’expérience qui pourraient être intégrés à la formation pour favoriser le transfert des apprentissages et la prévention.
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 | 0.126 | 0.281 |
| Meta-epidemiology (narrow) | 0.003 | 0.002 |
| Meta-epidemiology (broad) | 0.003 | 0.003 |
| Bibliometrics | 0.009 | 0.008 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.004 | 0.005 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.013 | 0.005 |
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".