Les sous-cultures disciplinaires en formation initiale à l’enseignement secondaire au Québec. Un objet de recherche et de formation à problématiser?
Bibliographic record
Abstract
Cette recherche problématise la notion de sous cultures disciplinaires à partir de différentes recherches anglo américaines conduites dans les champs de l’analyse de l’implantation de politiques éducatives et de l’apprentissage de l’enseignement. Sur cette base, elle questionne la socialisation des futurs enseignants de l’école secondaire québécoise à des sous cultures propres aux disciplines à enseigner. Elle a pour but de mettre à l’épreuve l’hypothèse selon laquelle les conceptions de futurs enseignants de l’école secondaire québécoise à propos du savoir à enseigner varient selon l’appartenance disciplinaire de ceux-ci. Une enquête par questionnaire a été conduite auprès de futurs enseignants de mathématiques et de français. Une analyse factorielle (ACP) a été menée auprès de 109 étudiants inscrits dans un programme de formation menant à l’enseignement des mathématiques (N= 33) et de français (N= 76). Trois facteurs ont été dégagés. Une ANOVA conduite sur les scores factoriels indique une différence significative entre les futurs enseignants de mathématiques et de français pour chacun de trois facteurs. Sur base de ces résultats, des implications pour la formation à l’enseignement secondaire sont discutées.
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 | 0.008 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.010 | 0.008 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| 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".