Notice bibliographique
Résumé
The existence of teachers working under fixed-term contracts as bearers of school education cannot be overlooked. The Teaching and Learning International Survey 2018 (TALIS 2018), conducted by OECD, reported that nearly a quarter of teachers in lower secondary schools in Japan today are fixed-term teachers, and the number has been significantly increasing. Despite this reality, the situation of fixed-term teachers has not been accurately addressed regarding policy makers. Previous teacher studies show them as marginalized individuals within the profession. The limited research on this group does little to capture the reality of their situation as previous studies have focused more on qualitative methods than quantitative. In response to this, this study aims to reveal a holistic picture of fixed-term teachers’ conditions, adapting a quantitative method using the TALIS 2018. In doing so, this research does not treat fixedterm teachers as a monolithic entity, but rather as an entity that includes internal variety. Specifically, I classify fixed-term teachers according to their attributes (gender and age) and working situations (work status, working hours, and sense of burden on the job), and examine their actual conditions (awareness of teachers, job satisfaction, and relationship with their surroundings). The result of this analysis reveals that fixed-term teachers are a diverse group including great internal variety, and that differences in age and workload, for example, cause differences in one’s sense of job satisfaction. This indicates the necessity of examining the internal diversity of fixed-term teachers. In future research, it is necessary to clarify the actual situation of fixed-term teachers while also considering other possibly related factors such as academic subject matter and family circumstances.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,005 |
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 ».