Valoriser la diversité socioculturelle en milieu scolaire en déjouant les stéréotypes : expériences inclusives en Belgique francophone
Bibliographic record
Abstract
L’article se compose de trois parties. En premier lieu, nous présentons les défis de l’école actuelle face à une logique d’exclusion qu’elle applique souvent pour des raisons qui devraient être déconstruites et analysées. Nous rappelons les valeurs défendues par l’école nouvelle au siècle dernier pour refonder les principes de l’inclusion scolaire, ainsi que montrer le poids des représentations sociales qui font obstacle à ces principes. Un modèle théorique, réalisé dans le cadre d’une recherche fondamentale interuniversitaire, illustre cette logique en se fondant sur les représentations des enseignants à la lumière de considérations sociologiques. En deuxième partie, nous présentons des exemples de projets novateurs, en y décelant, de notre place de chercheur, ce qui appartient à la démarche inclusive et permet de dénouer des situations dominées par un non-dit pesant qui fait obstacle au vivre-ensemble. Enfin, nous amenons une discussion en articulant, dans deux tableaux synthétiques, les projets présentés avec le modèle théorique, ce qui nous permet de dégager trois facteurs pour mettre en place un projet inclusif dans un établissement scolaire confronté à des difficultés telles que la stigmatisation ou le décrochage scolaire.
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 | 0.003 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.020 | 0.013 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
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".