Répercussions du contexte de pandémie sur la variation de l’engagement de membres du personnel enseignant
Bibliographic record
Abstract
Depuis le début de la pandémie, le personnel enseignant a dû s’adapter à différentes modalités d’enseignement et d’apprentissage. Dans un contexte en mouvance, il apparait important de s’intéresser à l’engagement du personnel enseignant, puisqu’il pourrait influencer positivement celui de leurs élèves (Klassen et al., 2013; Roth et al., 2007). L’engagement des personnes sur le marché du travail est étudié selon trois dimensions : l’absorption, la vigueur et le dévouement (Schaufeli et al., 2006). En contexte scolaire, une attention est portée à la dimension socioaffective de l’engagement, soit l’énergie consacrée à établir des relations avec les élèves et avec les collègues (Klassen et al., 2013). Le repérage de ces dimensions est important pour comprendre la variation de l’engagement du personnel enseignant, d’autant plus dans un contexte d’adaptation de l’enseignement et de l’apprentissage en raison du virage inopiné en formation à distance (FAD). Dans des entretiens semi-dirigés auprès de membres du personnel enseignant, nous nous sommes intéressés à leur engagement lorsque l’enseignement passe en FAD. Nos résultats permettent de cibler des situations ou des personnes qui influencent leur engagement : les ajustements successifs, les conditions technopédagogiques variables, le soutien inégal des parents ainsi qu’un sentiment d’isolement social et pédagogique.
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 | 0.011 |
| 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 | 0.004 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".