The employment, retention and exit of public school teachers in New Brunswick, Canada: an analysis using linked administrative data
Notice bibliographique
Résumé
ObjectiveAs in many jurisdictions, New Brunswick (Canada) is facing increasing shortages of K-12 school teachers as retirements loom at the same time that the school age population of NB continues to exceed long term trends. The purpose of this retrospective study is to analyze the recruitment, retention and exit decisions of teachers in the NB public education system in order to support ongoing planning around teacher staffing. ApproachThe analysis uses a unique linked administrative data combining province-wide individual-level teacher employment data, immigration records, university graduation data and public health insurance registration on NB teachers and individuals who obtained a B.Ed. degree in NB. Data are accessed through the secure facilities of the NB Institute for Research, Data and Training. The analysis includes both descriptive statistics and econometric methods appropriate to the particular outcomes of interest. ResultsThe analysis will present results on three types of labour market transitions: 1) from NB university education to employment as a NB teacher. 2) exits from employment as a teacher, including both retirement and pre-retirement exits, and 3) decisions of ex-teachers about remaining in NB. The potential effects of a range of demographic, geographic and system-level factors on these outcomes are considered. Conclusions and ImplicationResults from the analysis of entry to and exit from K-12 teaching in NB will be vital to human resource planning for a province dealing with looming retirements, growing labour shortages and an increasing population. Future work will consider subject-specific teacher shortages in critical fields like STEM.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,005 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,007 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».