Diversité et minorités au prisme de réformes éducatives. Approche comparative de la “Révolution du bon sens” en Ontario (Canada) et des “Écoles de demain” en Nouvelle-Zélande
Bibliographic record
Abstract
Dans un aller-retour mariant des points de vue extérieur et intérieur à la suite d’un séjour de recherche prolongé, il s’agit de mettre en parallèle deux espaces qui ont en commun des minorités linguistiques : de langue française en Ontario et de langue maorie en Nouvelle-Zélande (Aotearoa). Les politiques d’orientation néolibérale adoptées dans les années 1980 et 1990 dans les deux cas étudiés (la Révolution du bon sens dans le premier, Écoles de demain dans le second), malgré la rationalisation engendrée, ont ouvert la voie à des discours en faveur de la diversité et de la reconnaissance de groupes autrefois exclus dans l’espoir que les résultats scolaires de tous les élèves allaient s’accroitre. Si ces discours véhiculent un message positif et inclusif, le risque de masquer et d’accentuer les différences socioéconomiques qui ne sont plus prises en compte dans ces discours est discuté. L’importance de retracer l’histoire des luttes et des positionnements dans une approche complexe tenant compte à la fois des enjeux de reconnaissance et des inégalités socioéconomiques est proposée.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.008 | 0.015 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 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".