Comment appréhender l’analyse d’enseignantes ou d’enseignants débutants devant un problème éthique rencontré à l’école?
Bibliographic record
Abstract
Cette étude visait à mettre en évidence les dimensions analysées dans un problème éthique rencontré à l’école par des enseignantes ou des enseignants débutants en adaptation scolaire, ayant terminé leur formation initiale. Nous avons dégagé quatre dimensions présentes dans un problème éthique dans notre recension des écrits : les personnes concernées, les valeurs en jeu, les principes de conduite professionnelle appropriée et le cadre professionnel. L’approche méthodologique adoptée était de type qualitatif et nous avons eu recours à des entrevues individuelles semi-dirigées afin d’identifier les dimensions qui ressortaient dans la réflexion des enseignantes en période d’insertion professionnelle. Nous avons effectué une première collecte de données auprès de cinq enseignantes débutantes pour dégager les dimensions qu’elles analysaient à l’intérieur d’une vignette qui présentait un problème éthique. Après l’analyse des résultats de cette première phase de collecte de données, nous avons effectué une seconde phase de collecte auprès de six autres enseignantes débutantes pour identifier les éléments analysés devant un problème éthique, cette fois-ci sans l’analyse d’une vignette, mais plutôt par le biais de témoignages de problèmes réels rencontrés dans la pratique. Les résultats obtenus dans cette recherche nous ont permis de souligner la nature plus substantielle des propos recueillis dans une approche par témoignages spontanés en comparaison avec des propos recueillis dans une approche de réflexions à la suite de la lecture d’une vignette.
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 | 0.047 | 0.102 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.006 | 0.010 |
| Scholarly communication | 0.014 | 0.018 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
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".