Reconnaissance des compétences et valorisation des parcours d’apprentissage à l’ère du numérique : Protocole méthodologique et démarche de recherche de la revue systématique
Bibliographic record
Abstract
Contexte : Au Québec, l’intérêt croissant pour la reconnaissance des acquis et des compétences (RAC) s’explique par la diversification des parcours d’apprentissage et les besoins émergents du marché du travail. Dans un contexte de transformation numérique et de renouvellement de la main-d’œuvre, les outils numériques comme les badges, portfolios et microcertifications offrent des solutions prometteuses pour valider les apprentissages formels, non formels et informels. Toutefois, leur déploiement soulève des défis liés à l’interopérabilité, à la fiabilité des certifications et à l’absence de cadre commun. Ce projet de synthèse des connaissances vise à documenter les pratiques les plus efficaces, à classifier les dispositifs selon leur adaptabilité aux parcours variés, et à identifier les obstacles et bonnes pratiques. Il s’inscrit dans une volonté de faire du Québec une société apprenante en soutenant l’implantation d’un carnet de compétences numérique, fondé sur l’accessibilité, la pertinence et la reconnaissance équitable des compétences dans un marché du travail en constante évolution. Méthode : La stratégie de recherche a mobilisé trois groupes sémantiques (reconnaissance des acquis, contextes d’apprentissage, dispositifs technologiques), déclinés en expressions de recherche combinées par opérateurs booléens. Sept bases de données ont été interrogées, générant 1 674 résultats, dont 171 publications ont été retenues après sélection selon des critères d’inclusion/exclusion inspirés du cadre PICOS. La gestion du processus a été assurée par Covidence, appuyée par Zotero et Elicit. Une double extraction des données a été réalisée, suivie d’une validation par consensus. Une grille d’extraction structurée a permis d’analyser les publications selon six dimensions, incluant l’efficacité, les impacts et les perspectives des dispositifs étudiés. Une évaluation de la qualité a été effectuée pour chaque étude. Le corpus final est composé d’études empiriques publiées depuis 2014, couvrant divers contextes de formation et profils d’apprenants.
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 | 0.051 | 0.086 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.006 | 0.005 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.015 | 0.010 |
| Open science | 0.003 | 0.008 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.020 | 0.007 |
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".