Soutien enseignant, accès aux technologies et préoccupations psychosociales dans l’apprentissage des mathématiques pendant la COVID-19 en Afrique subsaharienne francophone
Notice bibliographique
Résumé
Cet article analyse le rôle du soutien enseignant dans le maintien des apprentissages en mathématiques pendant la pandémie de COVID-19 en Afrique subsaharienne francophone. Il mobilise les données issues des évaluations PASEC 2019 et MILO 2021, et compare quatre pays : le Burkina Faso, la Côte d’Ivoire, le Sénégal et le Burundi. La méthodologie repose sur une analyse descriptive et comparative des performances en mathématiques avant et pendant la pandémie, complétée par l’examen des indicateurs rapportés par les élèves sur le soutien enseignant, l’accès aux technologies et leurs préoccupations psychosociales. Les résultats montrent que si le soutien enseignant est associé positivement aux acquis, son effet est resté limité dans les pays ayant connu des fermetures scolaires en raison de la fracture numérique et de l’anxiété accrue des élèves. Le Burundi, où les écoles sont restées ouvertes, se distingue par des niveaux plus élevés de soutien et des acquis plus stables. Ces constats soulignent l’importance d’une approche systémique articulant soutien enseignant, conditions d’effectivité (accès aux technologies) et conditions de réceptivité (bien-être psychosocial). Des recherches futures pourraient approfondir cette analyse par des méthodes statistiques plus robustes, afin de mieux quantifier l’influence relative de ces facteurs et d’éclairer les politiques éducatives.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».