Impact de la COVID-19 sur les apprentissages en lecture en 2 <sup>e</sup> année en contexte minoritaire francophone : analyse des facteurs de résilience ayant atténué les effets négatifs de la pandémie sur la réussite scolaire au Nouveau-Brunswick
Notice bibliographique
Résumé
La COVID-19 a conduit à la fermeture des écoles au printemps 2020 et affectant plus de 30 000 élèves dans le secteur éducatif francophone du Nouveau-Brunswick. L’article examine l'impact des fermetures d'écoles au Nouveau-Brunswick sur les apprentissages des élèves en lecture en 2 e année (n = 2097) ainsi que des facteurs de résilience pour la continuité des apprentissages à la maison. Les données d’évaluations provinciales, celles relatives au développement de l’enfant à la maternelle et le sondage administré après la réouverture des écoles, sont utilisées pour répondre aux questions de recherche : 1) Quel a été l’impact de la COVID-19 sur les résultats d’apprentissages des élèves en lecture en 2 e année du primaire? 2) Quelle est l’ampleur de l’écart d’apprentissage créé par la COVID-19 entre les élèves qui étaient à risque à l’entrée à la maternelle et les autres qui étaient à développement approprié? 3) Quels sont les facteurs de résilience qui ont atténué l’impact de la COVID-19 sur la réussite scolaire? 4) Quelles sont les tailles d’effets de ces facteurs de résilience? La méthode d’appariement par les scores de propension et la régression logistique binaire multivariée ont permis d’apporter des réponses à ces questions. Des pistes de recherches futures sont proposées.
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 | 0,008 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».