L’évolution de l’approche d’évaluation fondée sur le programme pour soutenir l’éducation inclusive
Bibliographic record
Abstract
Exploitée plus théoriquement et influençant les documents légaux et ministériels dans le système d’éducation canadien, l’approche d’évaluation fondée sur le programme (EFP) consiste en une synthèse des modèles CBA (curriculum-based assessment), CBM (curriculum-based measurement) et CBE (curriculum-based evaluation). Popularisée aux États-Unis, notamment pour l’enseignement des mathématiques, cette approche s’est développée dans les années 1980 pour soutenir l’enseignement auprès des élèves en difficulté, pour ensuite être relancée dans les années 2000 et se retrouver dans le courant des interventions dites universelles (Christ et Becker, 2018). Plusieurs problèmes se posent pourtant dans sa mise en oeuvre par le personnel enseignant, car en plus d’être peu ou pas accessible en langue française, elle semble se limiter à une succession de mesures normatives des apprentissages maitrisés par les élèves. Pour comprendre la richesse latente de l’approche d’EFP en éducation inclusive, nous proposons d’en présenter les origines et d’expliquer comment ses principes et ses visées rejoignent ceux des injonctions de réussite de tous les élèves en contexte d’inclusion scolaire. Nous expliquons également comment les cadres d’intervention de l’approche d’EFP offrent une avenue pertinente d’évaluation continue favorisant un meilleur arrimage entre l’évaluation et la planification des interventions auprès de tous les élèves d’un groupe-classe.
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 | 0.121 | 0.193 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.007 | 0.008 |
| Science and technology studies | 0.004 | 0.012 |
| Scholarly communication | 0.015 | 0.011 |
| Open science | 0.003 | 0.009 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.012 | 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".