Reconnaissance des compétences et valorisation des parcours d’apprentissage à l’ère du numérique : une revue systématique des solutions innovantes
Bibliographic record
Abstract
Dans un contexte où les parcours d’apprentissage sont de plus en plus diversifiés : entre formations formelles, expériences professionnelles, autoapprentissages et activités communautaires, le Québec est confronté à un défi stratégique : valoriser ces acquis pour renforcer l’adaptabilité de sa population et répondre aux besoins évolutifs du marché du travail. Pourtant, la reconnaissance des compétences reste souvent fragmentée, inégale et peu lisible. Cette recherche met en lumière des solutions innovantes issues d’une revue systématique de 171 publications scientifiques. Elle identifie quatre types d’outils numériques complémentaires : microcertifications, portfolios numériques, carnets de compétences et passeports de formation, capables de documenter et valoriser les compétences acquises tout au long de la vie. Le principal constat est clair : pour qu’ils soient efficaces, ces outils doivent s’adapter aux différents contextes d’apprentissage et être soutenus par un écosystème cohérent. Ce résultat soulève un enjeu central : sans gouvernance partagée et sans infrastructure commune, la reconnaissance demeure inéquitable et peu transférable, ce qui nuit à la mobilité professionnelle, à l’inclusion sociale et à la motivation à apprendre tout au long de la vie. La recherche propose donc la création d’un espace numérique provincial unifié, fondé sur des standards ouverts, intégrant les fonctions de documentation, certification et organisation des compétences. Cette plateforme permettrait aux individus de gérer activement leurs parcours, tout en favorisant l’arrimage entre formation et emploi. Si cette piste est suivie, les retombées seraient considérables : un accès élargi à la reconnaissance pour les publics sous-représentés, une meilleure adéquation entre les profils de compétences et les besoins sectoriels, et une plus grande résilience du marché du travail face aux transformations numériques et démographiques. Pour les décideurs, gestionnaires et intervenants, il s’agit là d’un levier concret pour faire du Québec une société véritablement apprenante et inclusive.
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 | 0.011 | 0.028 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.007 | 0.008 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.018 | 0.014 |
| Open science | 0.003 | 0.007 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.013 | 0.004 |
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".