Prévenir l’illettrisme dès l’école primaire : analyse du cas français à la lumière de la comparaison internationale
Bibliographic record
Abstract
L’usage du terme d’« illettrisme » s’est trouvé consacré dans le paysage éducatif français par deux plans de prévention respectivement instaurés par les ministres Luc Ferry (2002) et Luc Châtel (2010). Un examen des mesures qu’ils annoncent et de leur mise en œuvre à travers l’étude des circulaires de rentrée fait apparaître une volonté politique forte de prévenir l’illettrisme. Pour autant, une étude comparée montre l’insuffisance de la prise en charge des apprentis-lecteurs en difficulté durant les deux premières années de l’école élémentaire en France, contribuant à une certaine “médicalisation” du traitement de la difficulté scolaire. Et on peut légitimement s’interroger sur l’évolution de la situation suite à la suppression massive de postes du RASED. Mais outre la question des moyens consacrés au traitement de la difficulté scolaire, la comparaison internationale met en évidence l’intérêt que pourrait représenter pour la France le recours à un mode d’organisation fondé sur une distinction stricte des différentes étapes du processus d’aide, ainsi que sur la nécessaire liaison entre celles-ci, à l’instar du fonctionnement modélisé « en cascade » comme au Québec, ou du processus pyramidal du « three tiers model » aux États-Unis. Au-delà des “bonnes pratiques” dont on s’accorde à dire que l’adoption isolée s’avèrerait probablement vaine, c’est tout un process que la comparaison internationale nous invite à faire évoluer, allant de l’organisation de la prise en charge jusqu’à la conception des contenus, afin de faire reculer l’illettrisme dans les générations à venir.
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 | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
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".