Approche, objectifs et méthodologie de l'étude sur les élèves autochtones et leur éducation
Bibliographic record
Abstract
L'étude a pour objectif de comprendre l'expérience des élèves autochtones et d’identifier les stratégies, les politiques et les pratiques les mieux à même de soutenir leur réussite. Quatre provinces et deux territoires canadiens ont participé à l’étude, et la Nouvelle- Zélande et le Queensland (Australie) ont fourni des données et des informations afin d'enrichir davantage l’étude. Si le rapport s'intéresse aux acquis des élèves et à leur réussite, il examine également leur bien-être, leur participation et leur engagement à l'école. Le bien-être est à la fois un sujet très important pour les populations autochtones et nécessaire pour appréhender la réussite des élèves. La vision et les volontés des populations autochtones doivent être enfin reconnus et intégrés au sein de l'éducation, et ne plus seulement être considérés comme secondaires. Cette volonté se retrouve dans les discussions sur l'éducation à travers les pays du monde, preuve en est les grands objectifs mondiaux en matière d'éducation issus des Objectifs de développement durable de l’ONU. Si l'étude a su trouver des politiques et des pratiques qui ont réussi, il reste difficile de garantir l'évaluation de toutes les initiatives en faveur de l'amélioration de la situation des élèves autochtones.
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 | 0.063 | 0.077 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.007 | 0.008 |
| Science and technology studies | 0.005 | 0.007 |
| Scholarly communication | 0.016 | 0.006 |
| Open science | 0.004 | 0.008 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.021 | 0.004 |
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".