Gérer l’école d’aujourd’hui : compétences actuelles et souhaitées chez les nouveaux directeurs au Canada
Bibliographic record
Abstract
En Amérique du Nord et en Europe, alors que la démographie accélère le renouvellement des directeurs d’école, l’école vit une mutation de structure caractérisée par une gestion publique plus décentralisée, une autonomie des établissements entraînant de profonds changements sans toujours garantir une amélioration des apprentissages des élèves. Quelles sont les compétences actuelles des nouveaux directeurs, comment identifier celles qu’ils devraient développer pour mieux gérer leur école ? 101 acteurs de l’éducation en langue française au Canada ont été interrogés –directeurs expérimentés, nouveaux chefs d’établissement et autres acteurs de l’éducation. Les résultats montrent que davantage de nouveaux directeurs d’école affirment posséder actuellement des habiletés, des attitudes et des connaissances par rapport à ceux qui croient devoir les développer, alors que davantage de directeurs expérimentés et d’autres acteurs de l’éducation considèrent que les nouveaux directeurs devraient consolider leurs compétences en gestion administrative et leurs attitudes comparativement à ceux qui suggèrent qu’ils les ont déjà. L’enquête dégage ainsi des thèmes de formation.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.009 | 0.003 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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".