L’insertion professionnelle de nouveaux enseignants : une recension systématique de la littérature
Bibliographic record
Abstract
Le décrochage précoce d’enseignants fait couler beaucoup d’encre dans plusieurs pays industrialisés à l’instar du Canada, où l’on peut observer des taux d’abandon de plus de 50 % chez les novices de la profession. L’objectif de cet article est de recenser les stratégies d’accompagnement dyadique offertes aux novices de la profession enseignante et d’effectuer l’analyse de leur efficacité auprès des enseignants, d’une part, et de la résolution du problème d’attrition, d’autre part. Les résultats indiquent que la responsabilité de la direction est capitale, que ce soit lors de la formation des mentors, des enseignants novices ou de la bonne implémentation et du bon déroulement du programme d’insertion professionnelle. Cette recension systématique de la littérature permet également de constater que, lorsque le mentorat — qui est la forme d’accompagnement dyadique la plus populaire — est offert de façon adéquate et lorsque la direction est informée de son efficacité, tous les deux contribuent significativement à la rétention des enseignants débutants. En conclusion, cette recension a pu mettre en exergue que plusieurs mentors ne reçoivent pas de formation appropriée pour mener à terme leur mission et que les attentes de la part de la direction, en ce qui concerne leurs rôles et leurs responsabilités, demeurent souvent floues.
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 | 0.017 | 0.036 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.007 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.003 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.014 | 0.004 |
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".