Recrutement en génie : motivations et stratégies de communication pour les études supérieures
Bibliographic record
Abstract
Le domaine des sciences, technologies, ingénierie et mathématique est un secteur d’emploi qui est en croissance au niveau de la main-d’œuvre mondiale (Ganapati & Ritchie, 2021). Plusieurs pays n’arrivent pas à former suffisamment de professionnels pour combler leurs besoins, notamment au Canada et au Québec (Gouvernement du Québec, 2021; Roller et al., 2020). Le recrutement et la formation de personnel hautement qualifié, soit des personnes ayant un diplôme de maitrise ou de doctorat, apportent une contribution supplémentaire à l’avancement des connaissances d’une société. Cependant, au Québec, 75 % des personnes étudiantes au baccalauréat en génie décident de ne pas poursuivre leurs études (Ministère de l’Enseignement supérieur du Québec, 2022). Pourtant, l’ingénierie est l’un des six secteurs prioritaires du Québec affecté par une rareté de main-d’œuvre (Gouvernement du Québec, 2021). Ce mémoire se penche sur les critères pris en compte dans le processus de décision des personnes étudiantes en génie à poursuivre aux cycles supérieurs ainsi qu’aux stratégies de communication qui devraient être utilisées pour encourager les personnes étudiantes à poursuivre leurs études. D’abord, la théorie sociale cognitive de l’orientation scolaire et professionnelle (Lent et al., 1994) qui est mobilisée dans cette recherche permet d’arrimer une meilleure compréhension des aspects cognitifs et sociaux impliqués dans la prise de décision. En parallèle, l’évolution des techniques de marketing dans les institutions d’enseignement supérieur depuis les années 1990 permet de mieux comprendre l’utilisation des stratégies de communication en milieu universitaire. Toutefois, certains auteurs soulignent que les universités ont souvent tendance à établir des stratégies de recrutement par isomorphisme, en reproduisant des stratégies qui semblent fonctionner dans d’autres établissements sans se demander si elles fonctionnent dans leur contexte (Wall Bortz et al., 2020). Peu d’études à ce sujet ont été réalisées au Québec, d’où l’intérêt de ce mémoire. Au niveau de la méthodologie, nous avons élaboré un questionnaire qui a été diffusé en ligne. Le recrutement des personnes participantes s’est fait principalement à travers les médias socionumériques d’associations étudiantes et des présentations dans des classes universitaires. Nous avons récolté des données auprès de 173 personnes étudiantes, dont 164 provenant de la Faculté de génie de l’Université de Sherbrooke. Nos analyses ont mené à une catégorisation sous les cinq dimensions de la théorie sollicitée, soit le sentiment d’auto-efficacité, l’attente des résultats, le support, les barrières et le choix. Les résultats obtenus montrent qu’il est essentiel de favoriser un sentiment d’auto-efficacité élevé. Faire un stage en recherche durant le baccalauréat est la meilleure façon d’augmenter la confiance des personnes étudiantes en leurs capacités de recherche, ce qui augmente l’intérêt et les chances de poursuivre aux études supérieures en génie. De plus, une vision positive du potentiel à gagner d’un diplôme d’études supérieures est interreliée avec ce sentiment d’auto-efficacité. Enfin, il est déterminant d’établir une communication relationnelle avec les personnes étudiantes pour leur parler des études supérieures en génie. C’est par un contact rapproché avec la personne qui transmet l’information qu’il y aura une meilleure rétention de personnes étudiantes aux cycles supérieurs en génie.
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 | 0.014 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.025 | 0.017 |
| Scholarly communication | 0.013 | 0.011 |
| Open science | 0.002 | 0.012 |
| Research integrity | 0.005 | 0.007 |
| Insufficient payload (model declined to judge) | 0.018 | 0.004 |
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".