Mapping Curricula to Occupational Work Activities Using a Shared DWA Ontology: Evidence from the Course-Skill Atlas and O*NET

Résumé technique : Cartographie des curricula vers les activités de travail occupationnelles à l'aide d'une ontologie DWA partagée

Énoncé du problème
Les universités font face à une pression croissante pour démontrer comment les programmes académiques préparent les étudiants aux professions axées sur les données et l'IA. Cependant, il existe peu de preuves concernant la manière dont les signaux curriculaires documentés peuvent être systématiquement comparés aux activités de travail spécifiques aux professions au niveau du programme. Les défis existants incluent la difficulté de traduire le langage académique (syllabus, descriptions de cours) en taxonomies professionnelles (tâches de métier) en raison des différences de vocabulaire, de granularité et de conventions de documentation. La correspondance textuelle directe entre les caractéristiques du curriculum et les énoncés de tâches professionnelles est souvent fragile et manque de traçabilité. De plus, bien que des cadres de compétences existent, ils ne montrent pas empiriquement comment ces attentes sont représentées dans les signaux curriculaires documentés à travers les institutions. Le problème central est l'absence d'une approche par ontologie partagée et traçable pour aligner les données de curriculum à grande échelle avec les exigences de travail dérivées des tâches, sans dépendre d'une correspondance textuelle superficielle.

Méthodologie
L'étude développe un cadre d'analyse curriculaire qui cartographie les signaux du côté du curriculum issus de l'Atlas des Compétences des Cours (CSA) et les exigences de tâches du côté de la profession issues d'O*NET dans un espace DWA (Detailed Work Activity) partagé, en utilisant les identifiants officiels DWA comme ontologie commune.

• Sources de données :
  • Côté Curriculum : Le jeu de données CSA, qui déduit des signaux de compétences à partir de plus de trois millions de syllabus de l'enseignement supérieur américain. L'étude utilise des enregistrements institution-domaine-année ainsi qu'une large matrice de scores de caractéristiques au niveau de l'activité.
  • Côté Profession : La base de données O*NET 30.3, spécifiquement les Énoncés de Tâches (Task Statements), les liens Tâches vers DWA (Tasks to DWAs) et les fichiers de référence DWA. La profession cible est celle de Scientifique de Données (SOC 15-2051.00).
• Construction des vecteurs :
  • Vecteur de Curriculum : Les étiquettes de caractéristiques du CSA sont mappées vers les identifiants DWA officiels d'O*NET. Les poids bruts du curriculum sont calculés comme la moyenne pondérée par le nombre de syllabus des scores CSA, puis normalisés L2 pour représenter l'accentuation relative.
  • Vecteur de Profession : Les énoncés de tâches d'O*NET sont liés aux identifiants DWA via le fichier "Tasks to DWAs". Les comptes sont agrégés par identifiant DWA, puis normalisés L2 pour créer un profil de profession dérivé des tâches.
• Métriques d'alignement :
  • Similitude Cosinus : Mesure la similitude directionnelle de l'accentuation relative entre les vecteurs de curriculum et de profession.
  • Coverage@K (Couverture@K) : Une mesure nominale indiquant si les K meilleures DWA du côté de la profession apparaissent dans le vecteur de curriculum (présence/absence).
  • Indice de l'écart de compétences (SGI - Skill Gap Index) : Une mesure de déficit pondérée par la profession qui capture l'ampleur de la sous-accentuation des DWA de haute priorité de la profession.
• Stratégie de validation :
  • Une matrice de validation 8 × 8 compare huit groupes de curriculum (ex: Informatique, Mathématiques, Gestion) contre huit profils de professions (ex: Développeurs de logiciels, Statisticiens, Comptables).
  • Des vérifications de contrôle positif basées sur le rang vérifient si les groupes de curriculum théoriquement attendus (ex: Comptabilité pour les Comptables) se classent en tête de la similitude cosinus.
  • Des analyses de sensibilité testent la robustesse face aux variations des seuils de couverture et des schémas de pondération (ex: pondération binaire vs pondération par nombre de liens de tâches).
  • Des vérifications de robustesse au niveau de la cohorte agrègent les groupes de curriculum en cohortes "Core" (techniques/quantitatives) et "Applied" (orientées gestion).

Résultats clés

• Cas focal (Informatique vs Scientifiques de Données) :
  • Couverture Nominale Totale : Toutes les 16 DWA dérivées des tâches de Scientifique de Données étaient présentes dans le vecteur de curriculum d'Informatique (Coverage@10, @20, @30 = 1.000).
  • Faible Alignement de l'Accentuation Relative : Malgré une couverture totale, la Similitude Cosinus était faible (0,114), et l'Indice d'écart de compétences était élevé (0,886).
  • Écart d'Accentuation : Les écarts les plus importants concernaient les DWA de haut poids, telles que "Appliquer les principes mathématiques ou les approches statistiques" (Poids de l'emploi : 0,459 vs Poids du curriculum : 0,031). L'étude conclut que l'écart est un écart d'accentuation, et non d'absence ; les activités de Scientifique de Données sont présentes mais reçoivent un poids relativement faible dans les signaux curriculaires documentés par rapport à leur importance dans le profil de la profession.
• Matrice de validation :
  • Le cadre a réussi à récupérer des modèles théoriquement plausibles. L'Informatique s'est classée en tête pour les Développeurs de logiciels et les Architectes de bases de données ; les Mathématiques se sont classées en tête pour les Statisticiens et les Analystes en recherche opérationnelle ; la Comptabilité s'est classée en tête pour les Comptables.
  • Notamment, les Mathématiques ont montré la plus haute similitude cosinus avec le profil de Scientifique de Données, renforçant la nature quantitative du profil de tâche dérivé d'O*NET.
• Robustesse : Les résultats sont restés stables à travers les schémas de pondération alternatifs et les seuils de couverture. La cohorte "Core" (Informatique, Mathématiques, Ingénierie, Physique) a systématiquement montré un meilleur alignement avec les professions techniques, tandis que la cohorte "Applied" s'alignait mieux avec les rôles orientés gestion.

Contributions clés

1. Cadre de l'ontologie partagée traçable : L'étude introduit une méthode d'alignement curriculum-profession qui utilise les identifiants DWA officiels comme clé commune, évitant la correspondance textuelle directe et assurant l'auditabilité des données brutes jusqu'aux métriques finales.
2. Distinction entre Couverture et Accentuation : L'analyse recadre les écarts curriculum-profession. Elle démontre qu'un curriculum peut couvrir pleinement les types d'activités requises par une profession (couverture nominale) tout en sous-accentuant significativement ces dernières par rapport à leurs propres priorités (alignement pondéré).
3. Outil de diagnostic pour l'évaluation des programmes : Le cadre fournit une approche reproductible et basée sur les données pour examiner comment les signaux curriculaires documentés correspondent aux activités de travail professionnelles, servant de point de départ pour la révision curriculaire plutôt que comme une mesure définitive de la qualité de l'enseignement ou de l'apprentissage des étudiants.

Signification et affirmations
L'article affirme que cette approche d'alignement par l'identifiant DWA offre une manière structurée et traçable de communiquer les priorités curriculaires aux parties prenantes (employeurs, décideurs politiques, organismes d'accréditation). En séparant la couverture nominale de l'accentuation relative, le cadre aide à identifier des "écarts d'accentuation" spécifiques où les signaux curriculaires peuvent ne pas refléter l'intensité ou la centralité des activités de travail de la profession.

Les auteurs déclarent explicitement que l'alignement par l'identifiant DWA ne doit pas être interprété comme une mesure directe de la qualité de l'enseignement, de l'apprentissage des étudiants ou de la préparation professionnelle. Au lieu de cela, il sert d'outil de diagnostic pour examiner comment les signaux curriculaires documentés (syllabi) communiquent les activités d'apprentissage. L'étude souligne que les écarts observés reflètent la représentation des activités dans la documentation des cours, ce qui peut différer de l'enseignement dispensé ou de la maîtrise des étudiants. Le cadre est présenté comme une approche réutilisable pour la communication fondée sur des données probantes et l'analyse curriculaire dans l'enseignement supérieur, particulièrement pour les domaines émergents et interdisciplinaires comme la science des données.