Les communautés d’apprentissage professionnelles : un mode de fonctionnement pour opérationnaliser la reddition de comptes
Bibliographic record
Abstract
L’instauration des politiques de redditions de comptes en éducation vise entre autres le contrôle et l’efficacité du travail des enseignants. Dans le contexte actuel où l’on préconise la collaboration dans le milieu scolaire, nous considérons la communauté d’apprentissage professionnelle (CAP) comme un nouveau moyen qui assure la reddition de comptes.Cette recherche qualitative vise à : (a) décrire la responsabilité des acteurs scolaires dans un fonctionnement en CAP et (b) montrer en quoi l'accompagnement par la CAP contribue à une redéfinition du professionnalisme enseignant, et ce, dans une perspective de reddition de comptes.Un cadre conceptuel construit à partir de trois concepts clés, soit la CAP, la reddition de comptes et le professionnalisme guide cette étude qui est menée par entrevues semi-structurées auprès de directions d’établissements, d’enseignants, de professionnels et de conseillers pédagogiques (N=42) du Québec et du Nouveau-Brunswick. Les résultats montrent que les acteurs des 12 CAP de l’étude : se dotent de ressources matérielles, physiques et temporelles; fixent des objectifs et clarifient les rôles; assurent l’animation; font preuve d’un leadership partagé; assurent leur propre développement et contribuent au développement des autres membres; amènent la CAP vers la maturité et utilisent des résultats issus de données. Une CAP mature assure de meilleurs résultats, ce qui permet d’atteindre subséquemment les objectifs visés par l’établissement scolaire et d’assurer la reddition des comptes.
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 | 0.011 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.010 | 0.016 |
| Scholarly communication | 0.010 | 0.005 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.002 |
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".