Trajectoires d’insertion professionnelle d’enseignants noirs issus de la migration et impact sur la réussite scolaire des élèves issus de parents de la migration
Bibliographic record
Abstract
Cet article s’appuie sur une étude doctorale sur les trajectoires d’insertion professionnelle des nouveaux enseignants originaires des Caraïbes et d’Afrique subsaharienne dans les écoles francophones de l’est de l’Ontario. Il présente l’utilisation d’une méthodologie narrative de récits d’expérience des répondants dès la fin de leur programme de formation à l’enseignement. Cette démarche méthodologique a été présentée par des chercheurs comme Audet et Mercier, Bertaux ou encore Cornils et Schernus. Dans cette étude, il a été question de comprendre les trajectoires des nouveaux enseignants originaires des Caraïbes et d’Afrique subsaharienne afin de s’insérer dans la profession enseignante. Cet article présente le volet lié aux éléments de leur récit d’expérience qui pourraient avoir un impact sur la réussite scolaire des élèves issus de parents de la migration. Les données collectées auprès de huit participants et traitées par l’analyse thématique et l’adaptation du modèle de Fournier, Pelletier et Beaucher ont permis de dégager des stratégies d’insertion pour ces futurs enseignants. Elles ont permis également de cibler certaines stratégies susceptibles d’avoir un impact sur la réussite des élèves issus de l’immigration.
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 | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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".