L’insertion professionnelle du personnel enseignant de la formation professionnelle : une analyse multidimensionnelle des défis vécus
Notice bibliographique
Résumé
L’insertion professionnelle (IP) en enseignement est une période charnière, en particulier pour le personnel enseignant en formation professionnelle (FP). Durant cette période, ces personnes vivent une transition professionnelle importante, passant de spécialistes de leur métier à novices en enseignement. Dans cette étude de cas réalisée auprès de 21 novices en enseignement, le modèle multidimensionnel de l’IP (Mukamurera et al., 2013) est utilisé pour mieux cerner la nature des défis rencontrés par le nouveau personnel enseignant en FP. Les résultats indiquent que toutes les participantes et tous les participants ont vécu des défis, en particulier des défis liés à la dimension de la professionnalité – gestion de classe, planification de l’enseignement et prise en compte de l’hétérogénéité des groupes d’élèves. Ces résultats renforcent l’importance de la présence, dans les centres de formation professionnelle, de dispositifs de soutien pouvant favoriser l’IP du personnel enseignant en FP.
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 | 0,020 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,011 | 0,007 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».