Influence des pratiques d’accompagnement des personnes enseignantes associées sur le sentiment d'efficacité personnelle des stagiaires québécois et québécoises à gérer la classe
Bibliographic record
Abstract
Les difficultés en matière de gestion de classe apparaissent au deuxième rang des principales raisons du décrochage professionnel des personnes enseignantes novices (Karsenti et al., 2015). À cet effet, cultiver un sentiment d’efficacité personnelle (SEP) favorable en lien avec la gestion de classe chez les personnes stagiaires (PS) au cours de leur formation initiale constitue une piste de solution prometteuse pour contrer le décrochage professionnel des personnes enseignantes novices (Black, 2015). Un questionnaire portant, d’une part, sur le SEP à gérer la classe (Gaudreau et al. 2015) et, d’autre part, sur les pratiques d’accompagnement des personnes enseignantes associées (PEA) (Vandercleyen et al., 2018), a été soumis avant, puis après le stage à 298 PS québécoises inscrites à leur troisième ou quatrième année de formation à l’enseignement. L’objectif du présent article est de décrire et de comprendre l'influence des pratiques d’accompagnement des PEA sur le SEP des personnes stagiaires à gérer la classe. Le constat commun qui émerge des résultats est qu’un SEP élevé des PS relativement à la gestion de classe est associé à un accompagnement de la part de la PEA qui combine différents registres de pratiques d’accompagnement. La discussion des résultats met en lumière l’importance d’une posture d’accompagnement en constant ajustement pour s’adapter aux besoins de la PS et à son cheminement (Vivegnis, 2019).
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 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".