Comment la formation continue peut-elle contribuer à favoriser la rétention et l’attraction du personnel enseignant du Québec?
Notice bibliographique
Résumé
La pénurie du personnel enseignant est un enjeu international qui n’épargne pas le Québec (Desmeules et Hamel, 2017; Mukamurera et al., 2023; Portelance et al., 2008; Létourneau, 2014). La formation continue de qualité figure parmi les moyens de favoriser la rétention et l’attraction des enseignants parce qu’elle leur permet de s’outiller face aux nouvelles réalités de leur profession et favorise leur engagement professionnel (Homsy, 2019; OCDE, 2018). La situation actuelle a un effet direct sur la qualité de l’enseignement et sur l’avenir des élèves. Cela nous amène à nous interroger sur les solutions à envisager pour favoriser l’attraction et la rétention du personnel enseignant et sur les enjeux documentés qui font le lien entre la pénurie du personnel enseignant et la formation qui est actuellement proposée.L'objectif de cette revue de littérature est d'examiner comment le développement des compétences enseignantes peut contribuer à améliorer l'attraction et la rétention du personnel enseignant au Québec. L'analyse des travaux existants nous a conduits à explorer un angle inédit pouvant être utile au Québec comme à l’international : l'intégration de concepts issus de la technologie éducative comme pistes d'action pour soutenir la mise en place d’une démarche de développement professionnel.
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 | 0,007 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,005 |
| Communication savante | 0,009 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,002 |
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 ».