L’analyse de construits au service de la persévérance
Bibliographic record
Abstract
Cet article fait état d’un processus de recherche dynamique et contingent basé sur des actions collectives de la part du groupe de recherche et des enseignantes et enseignants impliqués dans un projet portant sur la persévérance dans l’enseignement, à l’aide de la démarche d’analyse de construits. Il nous est apparu important d’interroger la genèse de cette persévérance en rencontrant des enseignantes et des enseignants persévérants afin de mieux comprendre les raisons qui les incitent à rester dans le métier, de mieux cerner les traits communs qu’ils partagent avec des personnes résilientes et incidemment, afin de pouvoir réinvestir ces enseignements au sein des dispositifs d’insertion professionnelle. Deux questions sont soulevées : 1) Quels sont les facteurs de persévérance susceptibles de jouer un rôle capital en début de carrière? 2) Existe-t-il des facteurs de persévérance invariants au travers les diverses étapes professionnelles de la carrière? Par l’entremise de négociations et de confrontations entre individus, la démarche d’analyse de construits utilisée permet de mettre l’accent sur les dimensions tant cognitives qu’émotives, afin de faire émerger les composantes reliées au phénomène de la persévérance des enseignants. Les résultats discutés indiquent que l’élément le plus important est d’avoir de la confiance en soi et que tous les éléments qui s’illustrent sont d’abord en lien avec le savoir-être plutôt qu’avec le savoir-faire.
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 | 0.009 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.005 | 0.019 |
| Scholarly communication | 0.013 | 0.013 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.012 | 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".