Apprentissages des élus des petites municipalités québécoises : le gifted amateur revisité
Bibliographic record
Abstract
Depuis les années 2000, le rôle des municipalités québécoises a considérablement évolué. Le gouvernement provincial leur a confié davantage de responsabilités, notamment en matière de développement territorial, de lutte contre la pauvreté et d’adaptation aux changements climatiques. Cette reconnaissance s’est concrétisée en 2017 avec leur désignation officielle de « gouvernements de proximité ». Cette évolution reflète une tendance mondiale, observée aussi bien au Canada, qu’aux États-Unis et en Europe, où les élus municipaux voient leur rôle se professionnaliser, s’éloignant du modèle traditionnel du « gifted amateur ». La professionnalisation des élus municipaux pose, au moins de façon implicite, des questions sur leur rapport à l’apprentissage. Toutefois, cette transformation varie selon les contextes. Dans les municipalités de moins de 5000 habitants, qui représentent 83% des municipalités québécoises, les élus exercent souvent leur mandat avec des ressources restreintes, ce qui influence leur façon de travailler. Or, peu d’études ont exploré ces petites municipalités. Le présent article vise à combler cette lacune en analysant comment ces élus apprennent et quelles sont leurs principales sources d’information. Il s’agit de mieux comprendre si le modèle du gifted amateur y reste dominant ou s’il se transforme sous l’effet des nouvelles responsabilités et exigences du rôle municipal.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.008 | 0.003 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 0.001 |
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".