Insertion professionnelle des nouveaux enseignants issus de l’immigration : quelques conditions pour un mentorat interculturel réussi
Bibliographic record
Abstract
Les difficultés vécues par les nouveaux enseignants et les taux importants d’abandon dans les premières années d’exercice ont encouragé, dans les dernières décennies, la mise en place de programmes d’insertion professionnelle. Parmi les différentes composantes de ces programmes, le mentorat est souvent mentionné comme la plus appréciée par les enseignants novices. C’est également le cas des nouveaux enseignants issus de l’immigration (NEII), qui affirment bénéficier des avantages de l’accompagnement d’un mentor. En Ontario (Canada), le Programme d’insertion professionnelle du nouveau personnel enseignant (PIPNPE) et son volet mentorat permettent de soutenir l’épanouissement et le perfectionnement professionnel des enseignants débutants. L’efficacité du mentorat dépend d’un certain nombre de facteurs à considérer. Nous savons cependant peu de choses sur les dimensions du mentorat particulièrement profitables pour les NEII. L’analyse des données recueillies lors d’entretiens semi-dirigés dans le cadre d’une recherche-intervention sur le soutien à l’insertion professionnelle des NEII a permis de mettre en lumière les éléments les plus prometteurs à mettre en place dans un dispositif de mentorat afin de répondre aux besoins spécifiques d’accompagnement de ces nouveaux enseignants.
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 | 0.004 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.004 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.021 | 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".