La contribution de l'école privée au Québec à la littératie et à la numératie des 15 ans: une analyse par effets de traitement
Notice bibliographique
Résumé
(in French) Les élèves québécois au niveau secondaire sont considérés comme relativement performants sur la base de la moyenne générale obtenue aux tests internationaux (math, lecture, sciences) PISA. Cependant, il est peu connu que les scores des élèves du secteur privé, fortement présents à l'école secondaire, augmentent considérablement les moyennes rapportées. Néanmoins, une école avec des scores élevés à des tests standardisés peut être une école où les étudiants viennent de milieux très avantagés ou encore sont sélectionnés sur la base de leurs aptitudes ou classe sociale. L'impact de la non-randomisation sur l'estimation d'un effet de traitement pose des défis analytiques comme les biais de sélection, de causalité ou de recrutement qu'il faut réduire et neutraliser. Sur la base des cinq enquêtes PISA (2000, 2003, 2006, 2009, 20012), quatre types d'estimateur économétrique d'appariement pour évaluer l'effet causal de traitement de l'école privée sont calculés. L'analyse conduit aussi à un exercice de falsification avec tous les élèves ontariens comme groupe non traité relativement aux élèves québécois en secondaire IV du secteur public ou du secteur privé. Les résultats suggèrent que la minorité importante des élèves qui fréquentent l'école privée au secondaire explique en partie la performance supérieure du Québec aux tests PISA, tant dans les écoles privées que publiques (par effet de concurrence). Selon les estimés plus conservateurs, l'école privée ajoute approximativement une année d'études en termes des scores de lecture et math. De façon plus importante, pour le développement du capital humain, les résultats soutiennent l'existence d'un effet causal important de l'école privée sur les niveaux (hiérarchie) mesurés des compétences par PISA. <p> Abstract (in English, working paper is in French) Québec's students at the secondary level have always been considered as a relatively performing group on the basis of their mean scores in international skills tests (reading, math, sciences) such as PISA, and TIMSS. It is less known that students' performance in private schools, where a significant proportion are enrolled at the secondary level, raise substantially the reported mean scores. Nonetheless, a school with high standardized scores may be an institution where students come from a much advantaged background or are selected on the basis of their abilities or social class. The impact of non-randomness for the estimation of a treatment effect poses analytical challenges like bias related to selection, causality, or recruitment that must be reduced or neutralized. There are many categories of estimators that can be implemented to assess a non-random policy/intervention based on models for both the outcome variable and the treatment assignment, while taking into consideration the selection bias. We use rich student-level micro data from five (2000, 2003, 2006, 2009, 2012) Programme for International Student Assessment (PISA) and four types of estimators to estimate the impact of private schools on student performance in reading, math, and sciences. The analysis also conducts a falsification exercise with students from Ontario as a control group relative to Québec's students in the private or public sector. Results suggest that the large minority of students attending private schools at the secondary level largely explains the higher PISA scores of Québec over the years, as well as the scores in the public sector (due to external effects from school competition). According to the more conservative treatment effects, private schools add approximately one year of study in reading and math scores. Results highlight the major importance of increased 'knowledge capital' by the private sector, that is proficiency scales in cognitive skills. The characteristics of schools and teachers in the private sector, and the socio-economic status of students and their parents, are also important factors of achievement gaps between the two systems of education.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: oui | Observationnel | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».