On veut travailler ensemble, mais c’est difficile. Obstacles organisationnels et sociaux au travail collectif en enseignement d’un métier à prédominance masculine en formation professionnelle au secondaire au Québec1
Bibliographic record
Abstract
Cet article rend compte du travail collectif en enseignement d’un métier à prédominance masculine en formation professionnelle au secondaire au Québec et des obstacles à sa réalisation. S’inscrivant dans le paradigme interprétatif, cette recherche exploratoire s’appuie sur le modèle de la situation de travail centré sur la personne en activité et vise à suggérer des transformations du travail qui amélioreraient la santé et le bien-être des enseignantes. Un cadre méthodologique qualitatif a été privilégié. Des entretiens et des observations ont été réalisés auprès de 12 enseignantes aux profils diversifiés. L’analyse des résultats révèle que le travail collectif implique diverses formes d’interactions (entraide, collaboration et coopération) qui permettent aux enseignant.e.s de s’intégrer, de développer de nouvelles compétences et de réguler la charge de travail. Ce travail collectif est toutefois compromis par des facteurs organisationnels et sociaux dont certains touchent l’ensemble des enseignant.e.s, alors que d’autres sont spécifiques aux femmes.
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 | 0.010 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.025 | 0.014 |
| Scholarly communication | 0.012 | 0.008 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.021 | 0.003 |
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".