L’insertion professionnelle du personnel enseignant de la formation professionnelle : une analyse multidimensionnelle des défis vécus
Bibliographic record
Abstract
L’insertion professionnelle (IP) en enseignement est une période charnière, en particulier pour le personnel enseignant en formation professionnelle (FP). Durant cette période, ces personnes vivent une transition professionnelle importante, passant de spécialistes de leur métier à novices en enseignement. Dans cette étude de cas réalisée auprès de 21 novices en enseignement, le modèle multidimensionnel de l’IP (Mukamurera et al., 2013) est utilisé pour mieux cerner la nature des défis rencontrés par le nouveau personnel enseignant en FP. Les résultats indiquent que toutes les participantes et tous les participants ont vécu des défis, en particulier des défis liés à la dimension de la professionnalité – gestion de classe, planification de l’enseignement et prise en compte de l’hétérogénéité des groupes d’élèves. Ces résultats renforcent l’importance de la présence, dans les centres de formation professionnelle, de dispositifs de soutien pouvant favoriser l’IP du personnel enseignant en FP.
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 | 0.020 | 0.043 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.011 | 0.007 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 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".