Mesurer et anticiper un risque de pénurie enseignante : le cas de la Suisse
Bibliographic record
Abstract
Le risque d’un manque de personnel enseignant préoccupe fortement les autorités publiques de nombreux pays. Ces préoccupations se sont accentuées depuis une quinzaine d’années, notamment avec la perspective de devoir remplacer les départs à la retraite de la génération des baby-boomers. Il ne suffit pas de décréter la formation d’un nombre plus important de membres du personnel enseignant pendant une période donnée pour en assurer le renouvellement, préserver la qualité d’un système éducatif et assurer l’égalité des chances à l’école. Cet article a pour objectif principal de contribuer à une analyse de la gestion politique du risque de pénurie enseignante en Suisse à partir des années 2000. Des composantes d’un modèle d’analyse de l’action publique dans le domaine de l’éducation développé et enrichi au fil de nos travaux de recherche sont utilisées pour mesurer les statistiques de cette période. Après avoir apporté quelques clarifications conceptuelles autour du phénomène de pénurie dans une première partie, nous présenterons les éléments du modèle d’analyse de l’action publique retenus. Enfin, nous rendrons compte de nos analyses documentaires portant sur la gestion publique de la pénurie enseignante en Suisse.
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 | 0.003 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".