Évaluation des apprentissages en classe et évaluation à grande échelle : quels sont les effets des épreuves externes sur les pratiques évaluatives des enseignants ?
Bibliographic record
Abstract
Dans la plupart des systèmes éducatifs, les enseignants font face aujourd’hui à l’expansion des évaluations à grande échelle. Néanmoins, les effets de ces dispositifs sur les pratiques enseignantes sont encore peu connus. L’objectif de cet article est de proposer une analyse spécifique des effets des épreuves externes sur les pratiques d’évaluation des apprentissages. L’analyse qualitative compréhensive porte sur l’expérience de 16 enseignants du primaire confrontés aux épreuves externes du canton de Fribourg en Suisse (entretiens semi-dirigés). Les résultats montrent que ceux-ci se servent des contenus et de la forme des épreuves externes pour ajuster certaines démarches du processus d’évaluation sommative. Par contre, ils ne mobilisent que très peu les résultats, et les ajustements observés sont parfois réalisés de manière plutôt instrumentale afin d’optimiser la réussite des élèves aux épreuves. Dans le contexte étudié, ces effets plutôt modérés s’expliquent par différentes postures des enseignants quant à l’évaluation externe et/ou par leurs perceptions de certaines caractéristiques des dispositifs locaux.
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 | 0.044 | 0.111 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
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".