Formation initiale et modèles d’enseignement de nouveaux enseignants au collégial
Bibliographic record
Abstract
Au Québec, nombreux sont les collèges qui valorisent une formation initiale en enseignement supérieur au moment de l’embauche de leurs enseignants. Pour répondre à cette exigence, l’Université du Québec à Montréal a développé une formation en pédagogie de l’enseignement supérieur (PCPES). Dans le cadre de cette formation, plusieurs modèles d’enseignement sont enseignés. Ces derniers auraient un impact sur les apprentissages réalisés par les étudiants et ils ne peuvent être dissociées des contextes dans lesquels ils prennent place. En effet, plusieurs éléments propres au milieu d'accueil favorisent ou restreignent les décisions pédagogiques et l’utilisation de modèles d'enseignement variés. C’est pour mieux arrimer la formation initiale aux pratiques en salles de classe que les diplômés du PCPES, qui ont obtenu une charge d’enseignement dans un collège, ont répondu à un questionnaire portant sur les modèles d’enseignement qu’ils utilisent au quotidien. Avec cette modeste étude, nous visions à décrire ce qui facilite ou restreint l’utilisation des modèles d’enseignement en salle de classe chez de nouveaux enseignants au collégial diplômés du PCPES. Est-ce qu’ils utilisent les modèles appris au cours de leur formation initiale ? Une partie d’entre eux seulement ont l’occasion de les mettre en pratique et, pour une majorité d’entre eux, l’exposé interactif domine leur enseignement.Cette recherche a été réalisée avec le soutien financier du Programme facultaire d’aide financière à la recherche et à la création (PAFARC) pour les nouveaux chercheurs de l’Université du Québec à Montréal.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.009 | 0.024 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.006 | 0.006 |
| Scholarly communication | 0.012 | 0.008 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.031 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".