L’allocation des ressources enseignantes en Afrique subsaharienne francophone : pour une meilleure équité des systèmes éducatifs
Bibliographic record
Abstract
Les pays d’Afrique subsaharienne souffrent d’un manque de personnel enseignant, et la forte augmentation de la population d’âge scolaire montre que le problème persistera. Il devient donc crucial pour ces pays d’optimiser l’utilisation de leurs ressources enseignantes en poste en s’assurant qu’elles sont équitablement allouées aux écoles. Or, jusqu’à quel point la répartition des enseignantes et des enseignants entre les écoles d’Afrique subsaharienne est-elle équitable? Comment peut-on améliorer cette allocation? Pour répondre à ces questions, cette étude s’appuie sur deux indicateurs, soit le ratio élèves/maître et le degré d’aléa dans l’allocation des ressources enseignantes aux écoles (1-R2), ainsi que sur des informations recueillies grâce à un « questionnaire pays » auquel ont répondu des acteurs clés des ministères de l’Éducation de pays d’Afrique subsaharienne. Nous avons ainsi eu recours à une approche quantitative et qualitative pour apprécier la situation des pays étudiés relativement à l’allocation des ressources enseignantes aux écoles, mais également pour comprendre les écarts observés en vue d’envisager des remédiations. Un constat majeur se dégage de cette étude : peu de pays francophones d’Afrique subsaharienne parviennent à une allocation équitable de leurs enseignants aux établissements. Le recrutement sur poste et l’automatisation de certains aspects de la gestion du personnel enseignant sont des solutions à considérer.
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 | 0.017 | 0.028 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".