Comparaison entre les étudiants de première génération et de seconde génération : engagement, rendement et persévérance
Notice bibliographique
Résumé
Cette thèse s’inscrit dans l’interdisciplinarité ; elle recourt aux données de l’Enquête \nnationale sur la participation étudiante (NSSE) de 2014 et y exploite des variables scolaires \npour chaque répondant afin de vérifier s’il y a des différences entre les étudiants de \npremière et de seconde génération dans une université bilingue et triculturelle du nord de \nl’Ontario. Une recension des écrits sur le thème fait remarquer des contradictions, \nsoulève des questions et note l’absence d’études sur le sujet en Ontario français. Les analyses quantitatives comparent 514 étudiants en première année d’études sur les \nfacteurs d’engagement, de rendement et de persévérance dans les études ainsi que sur la \nlangue d’usage. Nous avons trouvé peu de différences en ce qui a trait au profil des \nrépondants et noté un nombre limité de divergences entre les deux groupes concernant \nl’engagement dans les études. Les analyses sur la langue d’usage ont fait voir \npassablement plus de différences entre les groupes sur le facteur d’engagement dans les \nétudes : les étudiants inscrits dans des programmes de langue française présentent un \nmeilleur rendement scolaire pour les crédits accumulés. Toutefois, le facteur \npersévérance dans les études n’a fait voir aucune différence entre les catégories \nd’étudiants, ce qui soulève des doutes sur ce résultat. Soixante-seize individus ont livré des remarques sur la qualité de leur expérience \nuniversitaire que nous avons classées en neuf thématiques et analysées en lien avec les \nquestions de l’outil. Les commentaires signalent un nombre de convergences et quelques \ninconsistances dans les données quantitatives. Bien que cette recherche signale plus de différences entre les deux groupes d’étudiants \nque nous l’avions prévu, les divergences relevées sur le facteur d’engagement \ncorroborent celles des recherches repérées dans la littérature, sauf pour la dimension de la \nlangue d’usage qui suscite d’autres questionnements. Cette recherche souligne des \nsimilitudes et des divergences entre les deux catégories d’étudiants et propose des \nenquêtes ultérieures dans le but de trouver où conduisent les nouvelles avenues qui se \nsont présentées.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 ».