Élaboration d’un questionnaire d’autoévaluation de la compétence interculturelle des directions d’établissement scolaire de langue française au Québec et au Nouveau-Brunswick
Bibliographic record
Abstract
En cette ère d’inclusion, force est d’admettre que les directions d’établissement scolaire, qui baignent ou non dans un contexte de diversité ethnoculturelle, linguistique et religieuse, ont intérêt à développer leur compétence interculturelle. Or, comment conscientiser les directions et savoir si elles ont développé une telle compétence ? Compte tenu d’un tel enjeu, l’objectif de cet article est de présenter le processus d’élaboration d’un questionnaire d’autoévaluation de la compétence interculturelle des directions d’établissement scolaire de langue française au Québec et au Nouveau-Brunswick, qui comprend 1) la recension de questionnaires portant sur cette compétence, 2) la construction d’une banque d’items, 3) le recueil de preuves basées sur le contenu, 4) l’élaboration de la version préliminaire du questionnaire d’autoévaluation, 5) le prétest et 6) l’accumulation de preuves basées sur la structure interne. Finalement, un questionnaire d’autoévaluation préliminaire de 43 items est proposé. Les limites de la recherche et les retombées de ce questionnaire d’autoévaluation préliminaire sont mentionnées en conclusion.
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 | 0.012 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".