The Continuing Education of Faculty as Teachers at a Mid-sized Ontario University
Notice bibliographique
Résumé
The findings outlined in this paper are the result of focus groups conducted with faculty at a mid-sized Ontario university. These nine faculty, all of whom have received awards of excellence from their university for their teaching, shared their insights about how they developed as teachers over time. More specific topics explored were as follows: how they first learned about teaching; how they continue to learn about teaching; resources that might have helped early in their teaching careers at the university; and advice they have about teaching for new university teachers, mid-career teachers, and teachers approaching retirement. While many of the observations offered here are specific to Ontario and some of the literature review is North American in focus, the paper offers valuable insights into how faculty learn to be teachers which may be helpful to universities around the world. Cet article présente les résultats d’entrevues menées avec des groupes de discussion composés de membres du corps professoral d’une université ontarienne de taille moyenne. Les 9 professeurs participant ont tous reçu des prix d’excellence de leur université pour leur enseignement. Lors de ces rencontres, ils ont expliqué comment ils ont évolué à titre d’enseignants au fil du temps. Les sujets particuliers suivants ont été abordés : leurs premiers apprentissages en matière d’enseignement; leurs apprentissages subséquents; les ressources qui les ont aidés tôt dans leur carrière d’enseignant à l’université; les conseils qu’ils ont à offrir aux enseignants universitaires qui viennent de débuter leur carrière, à ceux qui sont à mi-parcours et à ceux qui approchent de la retraite. L’article fournit un aperçu utile sur la façon dont les membres du corps enseignant apprennent à devenir des enseignants. Même si bon nombre des observations présentées sont spécifiques à l’Ontario et si une partie de la recension des écrits est d’origine nord-américaine, ces informations peuvent servir aux universités à l’échelle internationale.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,020 | 0,005 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».