Un regard didactique sur les évaluations du PISA et de la TIMSS : mieux les comprendre pour mieux les exploiter
Bibliographic record
Abstract
Deux études internationales évaluant les connaissances des élèves en mathématiques occupent une place importante dans le paysage éducatif mondial : celles du Programme international pour le suivi des acquis des élèves (PISA) et de la Trends in International Mathematics and Science Study (TIMSS). Si ces études sont accompagnées d’une littérature abondante décrivant leurs cadres, et si de nombreuses recherches en édumétrie, en sociologie ou encore en sciences de l’éducation ont régulièrement été menées, quel regard la didactique des mathématiques peut-elle porter sur ces études ? Après avoir présenté succinctement les cadres de ces deux évaluations, nous exploitons deux approches didactiques distinctes, basées sur l’analyse a priori des tâches pour analyser le contenu de l’évaluation et pour réinterpréter les résultats des élèves. Couplée à une analyse statistique implicative, la première, didactique et cognitive, apporte un regard neuf sur les résultats du PISA et permet de mener des comparaisons entre pays. La seconde approche, située dans le cadre de la théorie anthropologique du didactique, s’intéresse davantage au contenu de la TIMSS et à la répartition des questions au regard d’une organisation mathématique de référence.
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 | 0.060 | 0.109 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.007 | 0.007 |
| Science and technology studies | 0.005 | 0.014 |
| Scholarly communication | 0.017 | 0.014 |
| Open science | 0.001 | 0.009 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.006 | 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".