LA CONTRIBUTION DE L’ÉCOLE PRIVÉE AU QUÉBEC À LA LITTÉRATIE ET À LA NUMÉRATIE DES 15 ANS : UNE ANALYSE PAR EFFETS DE TRAITEMENT
Bibliographic record
Abstract
Les élèves québécois au niveau secondaire sont considérés comme relativement performants sur la base de la moyenne générale obtenue aux tests internationaux (mathématiques, lecture, sciences) PISA. Cependant, il est peu connu que les scores des élèves du secteur privé, fortement présents à l’école secondaire, augmentent considérablement les moyennes rapportées. Néanmoins, une école avec des scores élevés à des tests standardisés peut être une école où les étudiants viennent de milieux très avantagés ou encore sont sélectionnés sur la base de leurs aptitudes ou classe sociale. L’impact de la non randomisation sur l’estimation d’un effet de traitement pose des défis analytiques comme les biais de sélection, de causalité ou de recrutement qu’il faut réduire et neutraliser. Sur la base des cinq enquêtes PISA (2000, 2003, 2006, 2009, 2012), quatre types d’estimateur économétrique d’appariement pour évaluer l’effet causal de traitement de l’école privée sont calculés. L’analyse conduit aussi à un exercice de falsification avec tous les élèves ontariens comme groupe non traité relativement aux élèves québécois en secondaire IV du secteur public ou du secteur privé. Les résultats suggèrent que la minorité importante des élèves qui fréquentent l’école privée au secondaire explique en partie la performance supérieure du Québec aux tests PISA, tant dans les écoles privées que publiques (par effet de concurrence). Selon les estimés plus conservateurs, l’école privée ajoute approximativement une année d’études en termes des scores de lecture et mathématiques. De façon plus importante, pour le développement du capital humain, les résultats soutiennent l’existence d’un effet causal important de l’école privée sur les niveaux (hiérarchie) mesurés des compétences par PISA.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".