Accompagner la transition vers l’enseignement : transfert des savoirs expérientiels et besoins de soutien du personnel enseignant
Bibliographic record
Abstract
Cet article concerne une transition professionnelle, celle du personnel éducateur à la petite enfance vers la carrière enseignante à l’éducation préscolaire. La dynamique, entre continuité et rupture, qui marque les transitions entre le métier initial et la nouvelle affectation en enseignement (Perez-Roux, 2011) incite à considérer la manière dont l’expérience antérieure trouve sa place dans la nouvelle carrière. Le transfert des savoirs expérientiels influence la façon dont la personne s’insère et se maintient en emploi. Nous posons la question : comment les savoirs expérientiels construits à l’éducation à la petite enfance se transfèrent-ils en classe de maternelle quatre ans? Des observations en classe ont servi de pont pour accéder aux savoirs expérientiels et de point de départ pour l’entrevue semi-dirigée de cette recherche exploratoire descriptive. En documentant l’influence de ce bagage dans la pratique, avec l’appui des concepts de savoirs expérientiels et de besoins de soutien, les résultats permettent d’orienter l’accompagnement offert en formation initiale (Mukamurera et al., 2019; Vivegnis, 2021). Les pistes avancées visent notamment à assurer une forme de continuité dans la carrière de manière à favoriser une insertion professionnelle harmonieuse en enseignement et, par conséquent, la rétention en emploi, ce qui se traduira par des pratiques enseignantes de qualité.
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 | 0.005 | 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 | 0.005 | 0.005 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| 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".