Bibliographic record
Abstract
L’éducation est une activité coûteuse qui mobilise une part importante de la richesse produite par les nations. Mettre l’accent sur elle, c’est arbitrer au détriment d’autres usages des ressources sociales. Les sociétés actuelles sont confrontées à ce dilemme de financement : les plus avancées sont souvent conduites à tenir compte du soutien à apporter à une population âgée de plus en plus nombreuse, les plus pauvres doivent porter le poids d’une jeunesse nombreuse à scolariser. Et aujourd’hui, on s’accorde à reconnaître le caractère stratégique de l’éducation pour des sociétés fondées sur la connaissance, alors qu’également, avec les objectifs du « Millénaire », l’éducation de base est reconnue comme un droit essentiel de tout être humain. Face à ces enjeux et ces contradictions, toutes les sociétés ne sont pas dans la même situation et n’adoptent pas les mêmes politiques. Ici on choisit d’universaliser l’enseignement primaire, là on doit faire face à une détérioration criante des conditions d’éducation ; certains pays maintiennent un financement quasi-exclusivement public, d’autres se tournent vers une privatisation croissante des services éducatifs. Dans ces contextes, quels sont les liens entre les ressources mobilisées et l’efficacité pédagogique ? Études de cas : France, Allemagne, Japon, Brésil, Maroc.
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 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.005 | 0.004 |
| Insufficient payload (model declined to judge) | 0.624 | 0.374 |
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".