Pas une autre consultation en éducation ! Transformer les idées en actions grâce à la coconstruction et à la cartographie conceptuelle
Notice bibliographique
Résumé
Les enjeux scolaires, nombreux et variant selon les personnes ou les groupes interrogés, rendent difficile l’établissement d’un consensus, tant sur ceux à prioriser que sur les actions à privilégier. Cet article présente l’approche de coconstruction, basée sur la cartographie conceptuelle (Trochim, 1989), mise en œuvre dans le cadre de la consultation publique provinciale Unis pour l’école , qui visait à dégager les enjeux éducatifs prioritaires ainsi que les stratégies les plus prometteuses pour y répondre. Trois grands thèmes et 56 enjeux ont d’abord été dégagés en coconstruction avec les partenaires, puis un échantillon de 4 961 personnes a été mobilisé pour en identifier les enjeux à prioriser et proposer des stratégies. Ainsi, six enjeux ont été identifiés et hiérarchisés : 1) l’impact négatif des écrans sur l’apprentissage et l’attention, 2) l’intimidation et la violence, 3) l’épuisement professionnel, 4) le manque d’intérêt et de motivation à l’école, 5) les difficultés de régulation des émotions, du stress et de l’anxiété et 6) le peu d’arrimage entre les services gouvernementaux et les besoins des écoles et des élèves. De plus, 22 546 stratégies ont été proposées. Par la suite, un sous-échantillon (n=84–189 par thématique) a évalué la faisabilité et l’impact potentiel des 45 stratégies les plus représentatives de celles recueillies pour résoudre chacun des enjeux. Au-delà des résultats clés et des pistes d’action concrètes, cet article souligne la pertinence d’une démarche participative ancrée dans les réalités du terrain, capable de générer un portrait global des priorités en éducation tout en respectant la diversité des points de vue.
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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».