La rétention d’enseignantes et d’enseignants de français langue seconde au Canada : au-delà d’une stratégie de recrutement
Bibliographic record
Abstract
Dans le domaine de l’enseignement du français langue seconde au Canada, nous faisons face à une pénurie de longue date. Parmi d’autres études examinant le recrutement et la rétention du personnel enseignant, nous avons mené une étude pancanadienne afin de déterminer les exigences et les lacunes dans la formation initiale et continue en enseignement du français. Dans cet article, nous examinerons dans quelle mesure les composantes de cette formation favorisent ou entravent la rétention du personnel enseignant. Un aperçu des résultats met en relief une forte préoccupation de la part de toutes les personnes participantes par rapport à la rétention du personnel en enseignement du français, avec une attention particulière envers le mentorat. Ces constats divergent de la politique fédérale qui se limite strictement au recrutement, alors qu’un accent sur le mentorat, surtout sous forme de soutiens non officieux 1 , est nécessaire dès le début de la formation initiale, ainsi que pendant la transition vers le milieu du travail et à travers celui-ci. Nous discuterons des enjeux qui découlent de ces résultats quant aux efforts en cours pour répondre à la pénurie d’enseignantes et d’enseignants en français.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.011 | 0.003 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 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".