Développement de compétences autres que techniques dans les écoles de génie : perspective internationale
Bibliographic record
Abstract
Les programmes de formation dans les établissements diplômants en ingénierie au Canada font actuellement face à un tournant lié à l’évolution de la profession. En effet, depuis quelques années déjà, l’importance des compétences non techniques chez les ingénieurs est soulignée par les employeurs ainsi que par l’organisme d’accréditation qui s’est adapté aux besoins de l’industrie. Cela implique une mise à jour importante des programmes diplômants de la part des établissements concernés, car la plupart d’entre eux se sont spécialisés dans l’enseignement de compétences techniques depuis leur création, négligeant de façon marquée le développement des compétences non techniques chez leurs étudiants. Cette situation place les établissements d’enseignement dans une position délicate. Comment faire face à ce changement ? Comment opérer la transition nécessaire vers un enseignement incluant tout autant le développement des connaissances techniques que les compétences non techniques ? Cette étude présente une revue des différents moyens d’intégration implantés dans plusieurs écoles proposant des formations d’ingénieur dans le monde. Elle présente également une analyse des différentes exigences des organismes d’accréditation en matière de compétences non techniques, selon le pays.
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 | 0.006 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.004 | 0.009 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 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".