Modération statistique et modération sociale des résultats scolaires : approches opposées ou complémentaires ?
Notice bibliographique
Résumé
La modération des résultats d’évaluation est une pratique devenue courante dans de nombreux systèmes éducatifs. Ses buts sont de renforcer l’équité des résultats entre les élèves et/ou leur comparabilité lorsque l’évaluation sert à certifier ou à sélectionner les élèves. Selon les contextes, différentes méthodes sont appliquées. Deux approches sont présentées : la modération statistique et la modération sociale. La première consiste de manière générale en une transformation statistique des résultats des élèves à l’aide d’une épreuve de calibration. La seconde est une démarche de travail collaboratif et de développement professionnel qui amène les enseignants à construire collectivement des pratiques communes d’évaluation à l’aide de standards. Cet article propose une réflexion théorique qui permet une description de ces deux approches (différentes méthodes, apports et limites) afin de les comparer. Son apport est d’actualiser cette comparaison et de dégager quels en sont les enjeux pour les différents acteurs du système scolaire. Un certain nombre de recommandations liées à leurs conditions d’utilisation sont envisagées en conclusion.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,434 | 0,676 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,007 |
| Bibliométrie | 0,008 | 0,010 |
| Études des sciences et des technologies | 0,004 | 0,013 |
| Communication savante | 0,014 | 0,016 |
| Science ouverte | 0,005 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».