Les évaluations des performances en mathématiques sont-elles influencées par le sexe de l’élève ?
Bibliographic record
Abstract
Cet article comporte deux études complémentaires visant à explorer si le sexe de l’étudiant influence le jugement des enseignants en mathématiques. La première étude, expérimentale, a porté sur 48 enseignants de mathématiques (secondaire supérieur). Ceux-ci ont été répartis en deux groupes comparables et devaient évaluer quatre copies attribuées dans le premier groupe à une fille, dans le second groupe à un garçon. Même si les enseignants affirment, dans le questionnaire portant sur leurs attitudes, que les filles et les garçons ont des capa cités et des intérêts identiques pour les mathématiques, les résultats montrent que les enseignants ont tendance à évaluer de manière différente des copies équivalentes attribuées à des garçons ou à des filles, selon la valeur de cette copie, plus ou moins bonne. La deuxième étude, corrélationnelle, se fonde sur les données de PISA 2000 de la Communauté française de Belgique et met en relation les scores standardisés obtenus dans PISA et les notes attribuées aux mêmes élèves par leur professeur de mathématiques. Il ressort de cette mise en relation, d’une part, que les garçons performants ont tendance à être surévalués et les filles performantes sous-évaluées, d’autre part, que les garçons peu perfor mants sont sous-évalués et les filles peu performantes fortement surévaluées comparativement aux garçons de même niveau.
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".