Enquête sur la littératie et les compétences des adultes : fichier de microdonnées à grande diffusion
Bibliographic record
Abstract
Les gouvernements et autres parties prenantes s'intéressent de plus en plus à l'évaluation des compétences de leurs populations adultes afin de déterminer dans quelle mesure elles sont préparées à relever les défis de la société moderne fondée sur la connaissance. On attend des adultes qu'ils utilisent l'information de manière complexe et qu'ils maintiennent et améliorent leurs compétences en lecture et en écriture pour s'adapter à des technologies en constante évolution. La littératie est importante non seulement pour le développement personnel, mais aussi pour obtenir des résultats positifs sur le plan éducatif, social et économique. Les compétences des adultes en littératie, numératie et résolution de problème englobent un continuum d'apprentissage permettant aux individus d'atteindre leurs objectifs, de développer leurs connaissances et leur potentiel, et de participer pleinement à leur communauté et à la société dans son ensemble. Depuis plusieurs décennies, le Canada participe à des enquêtes sur l’évaluation des compétences des adultes. Les enquêtes reviennent à tous les dix ans, la première enquête de la série ayant eu lieu en 1994. D’abord il y a eu l'Enquête internationale sur l'alphabétisation des adultes (EIAA) puis il y a eu l'Enquête internationale sur l'alphabétisation et les compétences des adultes (EIACA) en 2003 et le Programme pour l'évaluation internationale des compétences des adultes (PEICA) cycle 1 et 2 en 2012 et 2022 respectivement. Chacune des enquêtes s'appuie sur les conceptions des enquêtes précédentes. Au fil des ans, le cadre élargit la définition de la littératie pour l'adapter à l'ère de l'information, notamment en incluant les compétences de lecture dans les environnements 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 | 0.004 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| 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".