Attirer et retenir les futurs enseignants et enseignantes dans les programmes de formation initiale : le cas d’une région éloignée du Québec
Bibliographic record
Abstract
Certaines régions du Québec sont particulièrement touchées par les difficultés liées à l’attraction, au recrutement et à la rétention du personnel enseignant, notamment l’Abitibi-Témiscamingue. Plusieurs causes peuvent expliquer cette pénurie, dont une diminution de la clientèle étudiante observée partout au Québec entre 2015 et 2019 dans les programmes de formation à l’éducation préscolaire et à l’enseignement primaire et secondaire. C’est dans ce contexte qu’a émergé un projet de recherche visant notamment à déterminer les facteurs susceptibles d’attirer et de retenir les futurs enseignantes et enseignants dans les programmes de formation à l’enseignement. Pour documenter ce phénomène, nous avons mobilisé deux cadres de référence : les déterminants du choix de carrière dans la profession enseignante et les variables susceptibles d’influencer l’abandon ou la persévérance dans les études universitaires. Un questionnaire ciblant les étudiantes et étudiants du cégep et de l’université a permis de recueillir des données sur les éléments susceptibles d’influencer leur décision de s’inscrire en formation initiale; des entrevues réalisées avec différentes personnes impliquées dans la formation du futur personnel enseignant permettent de mieux comprendre les motivations des étudiantes et étudiants à choisir ce domaine d’études, mais également les difficultés qu’ils éprouvent et ce qui les incite à poursuivre leur formation.
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 | 0.006 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.008 | 0.003 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".