Indices de professionnalisation chez des enseignants associés ayant participé à une formation spécifique
Bibliographic record
Abstract
Au Québec, les enseignants qui souhaitent accompagner des stagiaires sont fortement encouragés à participer à une formation pour enseignants associés. Les activités de formation, ponctuelles et offertes dans le cadre de leur formation continue, s’appuient sur un référentiel de compétences qui représente une norme non prescriptive pour soutenir la professionnalisation des formés. Un dispositif de formation dit professionnalisant et visant le développement de compétences peut avoir des effets déprofessionnalisants. Certains enseignants associés ayant accumulé de nombreuses expériences en tant que formateur d’un stagiaire pourraient n’adhérer qu’en partie à la norme et intégrer des savoirs qui les éloigneraient des orientations de la formation. Il y aurait alors un risque de déprofessionnalisation lié à la perception d’un manque de reconnaissance des acquis de terrain. En 2019, des entretiens semi-dirigés ont été réalisés avec 10 enseignants ayant participé à la formation des enseignants associés. L’analyse des données permet de relever des indices de professionnalisation, selon la logique de professionnalisation-formation et de professionnalisation-profession. Dans une moindre mesure, d’autres indices révèlent plutôt une absence de professionnalisation.
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 | 0.006 | 0.020 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 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; 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".