Analyser les réussites dans l'enseignement supérieur : réflexion sur l’efficacité des pratiques d’accompagnement
Notice bibliographique
Résumé
Depuis plusieurs années nous constatons une recrudescence des préoccupations relatives à la réussite dans l’enseignement supérieur. Dans cette idée, Au Québec en 2023, près de 30 % des étudiantes et étudiants collégiaux ont bénéficié de services de soutien à la réussite, mobilisant des ressources humaines et financières importantes. Cependant, l’efficacité des pratiques d’accompagnement pose question notamment concernant leur ajustement aux nouveaux enjeux de réussite. En effet, la multiplicité de la notion de réussite est aujourd’hui actée (pour une revue, voir van der Zanden et al., 2018) et englobe des notions de développement de compétences disciplinaires, transversales ou psychosociales, permettant de considérer l’intégration, l’épanouissement et l’engagement de l’étudiant comme des formes de réussite. De plus, la responsabilité de la réussite et de l’accompagnement à la réussite est redistribuée, démontrant l’importance de faire de la réussite la question de toutes les actrices et tous les acteurs de l’enseignement supérieur (Trautwein et Bosse, 2017). Finalement, la notion de diversité des profils et des contextes est particulièrement mise en avant, nécessitant de réfléchir des accompagnements à la réussite qui s’ajustent à cette hétérogénéité grandissante (De Clercq et al., 2021). Plusieurs questions peuvent donc se poser : Comment définir aujourd’hui concrètement la notion de réussite ? Comment proposer un accompagnement à la réussite qui s’accorde à cette approche étendue de la réussite ? Comment gérer ces réussites au regard d’une diversité de parcours et de profils de personnes étudiantes ? Ce sont à ces questions que la session tentera de répondre en apportant un regard ancré dans la recherche scientifique en sciences de l’éducation.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».