Fidélisation des employés de la génération Z dans les Établissements Privés d’Enseignement Secondaire au Cameroun (EPESC)
Bibliographic record
Abstract
Les jeunes diplômés sont de plus en plus nombreux à intégrer les EPESC. Or, avec les avancées technologiques qui ont marqué ces dernières décennies, ces jeunes présentent des caractéristiques particulières en milieu professionnel différentes de celles de leurs prédécesseurs. Ainsi, il serait judicieux pour assurer la pérennité des organisations qui emploient cette main d’œuvre émergente de s’intéresser à ses attentes. Dans le souci donc d’étudier ces attentes, une enquête qualitative via des entretiens semi-directifs a été menée auprès de 64 employés appartenant à la génération Z exercant dans les EPESC d’une part et auprès de 12 employeurs d’autre part. Les données collectées ont été analysées à partir du logiciel NVivo12 plus et les résultats ont montré que les employés de la génération Z au sein des EPESC sont très ambitieux, très technophiles et ont une certaine proximité avec les apprenants. Cependant, plusieurs d’entre eux n’ont pas intégré ces établissements par vocation. Néanmoins, certains en exerçant l’enseignement en sont devenus passionnés. Enfin, le principal facteur de rétention de ces employés de la génération Z dans les EPESC est d’ordre organisationnel.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".