Comment la formation continue peut-elle contribuer à favoriser la rétention et l’attraction du personnel enseignant du Québec?
Bibliographic record
Abstract
La pénurie du personnel enseignant est un enjeu international qui n’épargne pas le Québec (Desmeules et Hamel, 2017; Mukamurera et al., 2023; Portelance et al., 2008; Létourneau, 2014). La formation continue de qualité figure parmi les moyens de favoriser la rétention et l’attraction des enseignants parce qu’elle leur permet de s’outiller face aux nouvelles réalités de leur profession et favorise leur engagement professionnel (Homsy, 2019; OCDE, 2018). La situation actuelle a un effet direct sur la qualité de l’enseignement et sur l’avenir des élèves. Cela nous amène à nous interroger sur les solutions à envisager pour favoriser l’attraction et la rétention du personnel enseignant et sur les enjeux documentés qui font le lien entre la pénurie du personnel enseignant et la formation qui est actuellement proposée.L'objectif de cette revue de littérature est d'examiner comment le développement des compétences enseignantes peut contribuer à améliorer l'attraction et la rétention du personnel enseignant au Québec. L'analyse des travaux existants nous a conduits à explorer un angle inédit pouvant être utile au Québec comme à l’international : l'intégration de concepts issus de la technologie éducative comme pistes d'action pour soutenir la mise en place d’une démarche de développement professionnel.
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 | 0.007 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.009 | 0.005 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.026 | 0.002 |
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".