LUTTER CONTRE LA PÉNURIE D'ENSEIGNANTS PAR LA RECONFIGURATION D'UNE MODALITÉ DE FORMATION FACILITANT LES STAGES EN EMPLOI
Bibliographic record
Abstract
Dans un contexte de pénurie d’enseignants constaté à l’échelle internationale, l’objet de cet article est de décrire comment, dans un programme de formation initiale au métier d’enseignant, une modification de la dernière année d’étude et du stage qui l’accompagne contribue à lutter contre la pénurie d’enseignants. Les stages en situation d’emploi, modalité obligatoire de formation à l’enseignement professionnel, ont soudainement fait l’objet d’offres issues du milieu de pratique dans des programmes de formation où ils n’existaient pratiquement pas jusqu’à la pandémie de COVID-19. Les dimensions aléatoires et imprévisibles de ces demandes, susceptibles de mettre en difficulté des personnes stagiaires qui devaient y répondre sans y être préparées, ont pu s’avérer complexes à gérer au cas par cas par les équipes d’accompagnement des stages. Cet article présente le résultat d’un projet pédagogique qui s’est donné comme objectif d’élaborer et de baliser les conditions d’émergence de cette nouvelle modalité de stage. Pour cela, nous montrerons d’abord comment les personnes responsables du projet ont fait émerger les éléments saillants sur lesquels agir pour développer les balises organisationnelles et pédagogiques, avant de décrire, en tant que résultats de ces investigations préalables, les grandes lignes du dispositif mis en œuvre et de tirer un bref bilan de cette initiative à l’issue de la première cohorte.
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 | 0.008 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.012 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.001 | 0.009 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.015 | 0.002 |
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".