Bibliographic record
Abstract
La professionnalisation, pour les métiers liés à l’enseignement, est un processus permettant l’appropriation et la maîtrise des diverses situations de travail en milieu scolaire par l’évolution des pratiques et le développement des compétences. Elle est d’intérêt pour les apprentissages professionnels entre pairs notamment, tant pour les stagiaires à l’enseignement que pour les titulaires qui partagent leurs savoirs professionnels entre eux d’une part et d’autre part, avec les premiers. Mais la professionnalisation, c’est aussi, selon Maubant et Roger (2012) « l’évolution des formations professionnelles préparatoires à ces métiers » (p. 2). À ce propos, en France, un nouveau parcours au sein des Instituts nationaux supérieurs du professorat et de l’éducation (INSPÉ), propose aux étudiants de Licence 2, Licence 3 (niveau baccalauréat au Québec) et Master 1 un programme intitulé « pré-professionnalisation ». Inscrit dans le cadre de la formation initiale des enseignants, c’est un nouveau dispositif d’apprentissage, opérationnel depuis septembre 2019, pour « une entrée progressive dans le métier de professeur » (Gouvernement français, p. 1). Les conditions de celle-ci nécessitent dès lors de comprendre sa mise en œuvre. Les INSPÉ se révélant de véritables écoles professionnelles, ils permettent d’apprendre le métier d’enseignant de manière progressive selon le principe de l’alternance. En ce sens, un cycle de formation universitaire, conjugué avec la formation pratique en milieu scolaire s’avèrent des moments d’applications, associant théorie et pratique lors des interventions ponctuelles sur des séquences pédagogiques en classe par exemple. L’ambition de ce chapitre est d’analyser les représentations communes et partagées dans le milieu de la pratique à l’enseignement afin de décrire l’impact des interactions dans un environnement intitulé communauté éducative, qui, par sa professionnalité, se révèle être une communauté apprenante.
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 | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.019 | 0.010 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.001 |
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".