The first five: A short story inquiry into the beginning years of teaching
Bibliographic record
Abstract
Ce mémoire de maîtrise utilise la méthodologie de l'étude des récits à fin de mener une réflexion personnelle sur les difficultés rencontrer par les nouveaux enseignants du système scolaire québécois et ce, à travers le yeux de l'écrivain. Les six nouvelles littéraires présentées traversent le temps en suivant la carrière d'enseignement du chercheur. Cette ligne temporelle apporte une cohésion et une cohérence à l'ensemble de l'oeuvre. Le but est donc d'offrir un interlocuteur silencieux aux nouveaux enseignants pour qu'ils puissent avoir une conversation intérieure sur leurs difficultés en enseignement et celles vécues par les personnages de l'écrivain. Il faut comprendre ici que l'écrivain et le chercheur sont la même personne, mais ils répondent à différents critères d'écriture. L'écrivain, lui, raconte des histoires et laisse sa créativité le guider. Le chercheur, pour sa part, encadre les récits avec les principes de l'étude des récits: les espaces communes (Commonplaces) et le contenu pédagogiques des lieux (Curriculum of Place). Je souhaite que ces nouvelles littéraires aident les nouveaux enseignants à rester dans la profession pour qu'ils puissent avoir une longue et enrichissante carrière.
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 | 0.004 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.014 | 0.018 |
| Scholarly communication | 0.013 | 0.011 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.003 | 0.007 |
| 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".