Quelles mixités dans une ville fragmentée ? Dynamiques locales de l’espace scolaire marseillais
Bibliographic record
Abstract
En France, la mixité sociale est au coeur des politiques de renouvellement urbain qui visent à créer les conditions d’une coexistence plus équilibrée entre populations issues de différentes catégories sociales, comme des politiques scolaires visant à introduire plus de mixité sociale dans les établissements publics, pour permettre une meilleure égalité des chances à l’école. Cet article interroge les effets de ces politiques à Marseille, historiquement caractérisée par une forte ségrégation sociospatiale nord-sud, à partir d’enquêtes relatives aux mutations de quartiers en renouvellement urbain. L’analyse de bases de données du rectorat, doublée d’entretiens auprès des acteurs éducatifs, met en évidence les logiques à l’oeuvre en matière de choix de scolarisation. Les résultats montrent que la mixité résidentielle statistique, directement liée aux opérations d’aménagement qui ont contribué à une diversification sociale, peine à se traduire dans la réalité des pratiques scolaires, où l’on observe des pratiques de contournement des établissements de proximité. Les établissements publics ont du mal à diversifier le profil de leurs élèves, à moins de s’engager dans des stratégies de filières sélectives qui déplacent la ségrégation au sein des établissements. Les établissements privés restent quant à eux les principaux refuges des nouveaux résidents, issus des classes moyennes et supérieures, dans des logiques de reproduction sociale d’un entre-soi.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.006 | 0.004 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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".