Pourquoi des différences dans les résultats des examens PISA entre les élèves des écoles publiques et privées
Bibliographic record
Abstract
Plusieurs auteurs ont démontré à l'aide du Programme international de suivi des acquis (PISA) que les élèves inscrits dans des écoles privées obtiennent de meilleurs résultats après contrôle pour diverses variables qui pourraient influer sur ceux-ci. Peu d'auteurs ont essayé d'identifier des facteurs responsables de cet écart. Après avoir montré, par des fonctions de production de l'éducation, que l'école privée améliore les résultats des élèves qui la fréquentent, la décomposition de l'écart moyen de résultat entre ces deux types d'écoles a permis d'identifier que les caractéristiques moyennes, des élèves et des écoles, expliquent une forte proportion de l'écart, mais une portion significative est tout de même expliquée par les différences dans les coefficients des fonctions de production. Lorsque l'on compare le Québec à l'Ontario et à l'Alberta, le réseau public verrait sa performance augmenter s'il faisait face aux mêmes caractéristiques que le réseau de ces deux provinces. Cependant, elle diminuerait s'il adoptait leurs façons d'enseigner. Ce dernier constat est aussi valide lorsque l'on compare les écoles privées du Québec au réseau public de l'Ontario et de l'Alberta. Finalement, le modèle de fonction avec participation endogène à l'école privée n'a pu apporter de résultats concluants quant à la valeur ajoutée de l'école privée. \n______________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : PISA 2009, PISA 2012, résultats scolaires, écart de performance entre école publique et école privée, Québec, éducation
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 | 0.004 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 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".