Peut-on concilier qualité et équité dans les réformes en éducation ?
Bibliographic record
Abstract
Cet article s’appuie sur quatre études de cas présentant des situations d’inégalités devant la scolarisation (Maroc, Catalogne, Nouveau-Brunswick, Côte d’Ivoire) pour distinguer et définir les concepts d’équité et de qualité. Les analyses de ces situations, décrites dans un second temps, amènent à constater que si les politiques et dispositifs en faveur de l’équité ont bien été mis en place dans les cas étudiés, ni les unes ni les autres n’entraînent obligatoirement la qualité de la scolarité et des apprentissages scolaires. Ces analyses permettent également de mettre en évidence, dans un troisième temps, des conditions de mise en œuvre de ces politiques et dispositifs efficaces : importance de la participation des populations concernées et de leur accord, participation des instances locales associatives ou scolaires, qui peuvent aussi relayer un projet national, relations entre chercheurs et acteurs dans certains cas. C’est donc cette relation entre différents acteurs, instances et niveaux d’actions qui peut fonder au moins la volonté d’équité dans la scolarisation, premier pas nécessaire vers la qualité en éducation.
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 | 0.022 | 0.041 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.009 | 0.035 |
| Scholarly communication | 0.015 | 0.016 |
| Open science | 0.002 | 0.010 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.010 | 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".