Des pistes potentielles pour améliorer l’efficacité des programmes d’insertion professionnelle destinés aux enseignants novices
Bibliographic record
Abstract
Pour favoriser une insertion professionnelle (IP) harmonieuse et réduire le décrochage des enseignants novices (EN), des programmes d’insertion professionnelle (PIP), comportant un nombre plus ou moins élevé de mesures de soutien (MS), leur sont offerts. Certaines recherches indiquent des effets positifs de ces programmes alors que d’autres révèlent des résultats mitigés. Notre recherche s’intéresse à l’effet des MS sur l’efficacité des PIP en termes de retombées perçues, selon une approche multidimensionnelle de l’IP. Les données proviennent d’un sous-échantillon de répondants à une enquête par questionnaire, composé d’EN ayant participé à des PIP au Québec (n = 101). Des analyses corrélationnelles et comparatives révèlent que plus le nombre de MS reçues est élevé et les mesures diversifiées, meilleures sont les retombées positives en nombre et en nature. Ils mettent aussi en évidence les MS et les combinaisons de MS associées à davantage de retombées, en particulier celles incluant un soutien personnalisé important. La discussion apporte un nouvel éclairage pour guider la conception et la mise en œuvre des PIP ainsi que les prochaines recherches dans ce domaine.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 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; both teacher heads agree on what is shown here.
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".