Enseigner à des élèves réfugiés au Liban et au Québec : « faire avec » les conditions du contexte
Bibliographic record
Abstract
Tous les enseignants et enseignantes sont confrontés aux changements des conditions dans lesquelles ils et elles exercent leur travail, et ce travail se complexifie en contexte de crise et en milieu multiethnique. Mazawi a relevé les complexités qui sous-tendent le travail des enseignant·e·s dans un contexte donné et les tensions qui se jouent entre fonction enseignante et condition enseignante, c’est-à-dire entre les pratiques des enseignant·e·s à l’intérieur de l’école et les enjeux politiques et socioculturels à l’extérieur de l’école. Cet article vise à comprendre l’expérience des enseignant·e·s et leur agir auprès des élèves réfugiés dans deux contextes radicalement différents sur les plans sociopolitique et économique, et avec des conditions de travail différentes : le Liban, un pays en crise qui met de l’avant ce que Shuayb appelle le « modèle d’urgence », et le Québec, qui s’inscrit plutôt dans un « modèle intégrateur ». Deux projets de recherche au Liban et au Québec sont à la base du corpus qui a été sélectionné et analysé pour cet article, avec en commun une même méthodologie. Les récits de pratique consistent en la narration d’une situation-problème rencontrée en contexte de travail. Ils ont été recueillis puis analysés, nous permettant de montrer que les préoccupations des enseignants·e·s et leurs interventions varient selon le contexte dans lequel elles se déploient et que la fonction enseignante se transforme selon la condition enseignante et le pouvoir d’agir des enseignant·e·s.
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 | 0.022 | 0.008 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 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".