Recrutement en génie : motivations et stratégies de communication pour les études supérieures
Notice bibliographique
Résumé
Le domaine des sciences, technologies, ingénierie et mathématique est un secteur d’emploi qui est en croissance au niveau de la main-d’œuvre mondiale (Ganapati & Ritchie, 2021). Plusieurs pays n’arrivent pas à former suffisamment de professionnels pour combler leurs besoins, notamment au Canada et au Québec (Gouvernement du Québec, 2021; Roller et al., 2020). Le recrutement et la formation de personnel hautement qualifié, soit des personnes ayant un diplôme de maitrise ou de doctorat, apportent une contribution supplémentaire à l’avancement des connaissances d’une société. Cependant, au Québec, 75 % des personnes étudiantes au baccalauréat en génie décident de ne pas poursuivre leurs études (Ministère de l’Enseignement supérieur du Québec, 2022). Pourtant, l’ingénierie est l’un des six secteurs prioritaires du Québec affecté par une rareté de main-d’œuvre (Gouvernement du Québec, 2021). Ce mémoire se penche sur les critères pris en compte dans le processus de décision des personnes étudiantes en génie à poursuivre aux cycles supérieurs ainsi qu’aux stratégies de communication qui devraient être utilisées pour encourager les personnes étudiantes à poursuivre leurs études. D’abord, la théorie sociale cognitive de l’orientation scolaire et professionnelle (Lent et al., 1994) qui est mobilisée dans cette recherche permet d’arrimer une meilleure compréhension des aspects cognitifs et sociaux impliqués dans la prise de décision. En parallèle, l’évolution des techniques de marketing dans les institutions d’enseignement supérieur depuis les années 1990 permet de mieux comprendre l’utilisation des stratégies de communication en milieu universitaire. Toutefois, certains auteurs soulignent que les universités ont souvent tendance à établir des stratégies de recrutement par isomorphisme, en reproduisant des stratégies qui semblent fonctionner dans d’autres établissements sans se demander si elles fonctionnent dans leur contexte (Wall Bortz et al., 2020). Peu d’études à ce sujet ont été réalisées au Québec, d’où l’intérêt de ce mémoire. Au niveau de la méthodologie, nous avons élaboré un questionnaire qui a été diffusé en ligne. Le recrutement des personnes participantes s’est fait principalement à travers les médias socionumériques d’associations étudiantes et des présentations dans des classes universitaires. Nous avons récolté des données auprès de 173 personnes étudiantes, dont 164 provenant de la Faculté de génie de l’Université de Sherbrooke. Nos analyses ont mené à une catégorisation sous les cinq dimensions de la théorie sollicitée, soit le sentiment d’auto-efficacité, l’attente des résultats, le support, les barrières et le choix. Les résultats obtenus montrent qu’il est essentiel de favoriser un sentiment d’auto-efficacité élevé. Faire un stage en recherche durant le baccalauréat est la meilleure façon d’augmenter la confiance des personnes étudiantes en leurs capacités de recherche, ce qui augmente l’intérêt et les chances de poursuivre aux études supérieures en génie. De plus, une vision positive du potentiel à gagner d’un diplôme d’études supérieures est interreliée avec ce sentiment d’auto-efficacité. Enfin, il est déterminant d’établir une communication relationnelle avec les personnes étudiantes pour leur parler des études supérieures en génie. C’est par un contact rapproché avec la personne qui transmet l’information qu’il y aura une meilleure rétention de personnes étudiantes aux cycles supérieurs en génie.
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 | 0,014 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,025 | 0,017 |
| Communication savante | 0,013 | 0,011 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,004 |
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 ».