Learning to Hear Students’ Voices: Teachers’ Experiences on Student Mentoring
Notice bibliographique
Résumé
In recent years, mentoring practices have become increasingly common in different disciplines. One of these disciplines is education. In this connection, mentoring at the macro level contributes to the education system, while mentoring at the micro level reduces school dropout rates, increases academic success, supports students in their career journeys and protects them against any problems and unhealthy habits. In this context, the objective of this study is to provide an in-depth examination of teachers’ student mentoring experiences in the school context. To this end, phenomenological design, one of the qualitative research methods, was used in this study and the study was carried out with face-to-face interviews. The maximum variation sampling method, one of the purposeful sampling methods, was used to select the participants. A total of 15 teachers selected from different branches formed the study group of the study. The data obtained from the study were transcribed and the thematic analysis method was used to determine the emerging themes and, in this way, a total of five themes were determined: identification, the role of the mentor, the types of mentoring used by the mentor, the mentoring strategies used by the mentor and the problems encountered during the student mentoring process.
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 | 0,009 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,009 |
| Communication savante | 0,010 | 0,006 |
| Science ouverte | 0,002 | 0,014 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».