Comparer les systèmes éducatifs francophones à travers le monde grâce au PISA : pas si simple!
Bibliographic record
Abstract
Le Programme international de suivi des acquis des élèves (PISA) permet de comparer les résultats des élèves de 15 ans issus d’un nombre grandissant de pays, principalement industrialisés. Cette évaluation récurrente des acquis des élèves fait l’objet de nombreuses publications. Cependant, si des pays francophones y participent avec des résultats plus ou moins favorables, il existe encore très peu d’écrits portant sur la comparaison de pays ayant le français en partage. À cela, plusieurs raisons. Le premier problème réside dans la définition de ce qu’il faut entendre par « pays francophones ». Si plusieurs pays participant au PISA appartiennent à la francophonie politique, peu d’entre eux ont effectivement administré les tests en français et utilisent cette langue comme langue d’enseignement. Les pays d’Afrique subsaharienne, à l’opposé, ne participent pas au PISA. Il est donc impossible d’opérer des comparaisons entre tous les pays où le français est effectivement la ou l’une des langues d’enseignement. Il faut aussi pouvoir identifier les résultats des établissements où le français est effectivement pratiqué au sein des pays qui utilisent plusieurs langues d’enseignement et comparer des situations comparables, en dehors de cette variable. De ce point de vue, les publications internationales ne fournissent pas toujours les informations, qu’il faut dès lors rechercher dans les rapports nationaux. Enfin, il faut sans doute tenir compte de la situation des élèves qui, bien que scolarisés en français, n’utilisent pas cette langue à la maison, ce qui complique encore les comparaisons.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.022 | 0.036 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.007 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.016 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".