Les représentations enseignantes liées aux enjeux de prévention des cancers professionnels auprès d’élèves peu scolarisé·es.
Bibliographic record
Abstract
Cet article s'inscrit dans une recherche-action visant à développer un programme de prévention précoce des cancers professionnels pour des jeunes de 15 à 21 ans ayant des difficultés scolaires. Il présente les résultats d’entretiens qualitatifs avec des enseignant·es d’un programme par alternance, portant sur leurs représentations des risques de cancer, la formation offerte et les défis liés à l'hétérogénéité des élèves. Neuf enseignant·es superviseur·es de cinq écoles du Québec ont participé à des entretiens semi-dirigés. Les résultats révèlent des défis majeurs tels que l'absence de formation et l'invisibilité des risques, ainsi que des facteurs structurels augmentant l’exposition, comme le fait que certains élèves proviennent de milieux socioéconomiques défavorisés et ont peu accès à des ressources. Les enseignant·es reconnaissent la nécessité d’approches flexibles, mais peinent à adapter la prévention à la diversité des élèves de crainte de favoriser l’émergence de stéréotypes ou de discrimination. L’étude souligne l’importance de fournir des ressources adaptées et variées pour renforcer la prévention des cancers professionnels auprès de tous les élèves.
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 | 0.005 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 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".