Mieux réussir dans les filières scientifiques en première année d’université ? Un dispositif pédagogique d’accompagnement différencié, analysé comme appui immédiat pour des étudiant·es en situation d’échec
Bibliographic record
Abstract
En France, malgré une baisse du niveau en sciences, le nombre de néo-bachelier·es ne cesse d'augmenter. Au-delà de la massification au Supérieur, la diversité de profil et l’hétérogénéité de niveau des étudiant.es de première année se renforcent depuis la réforme du baccalauréat de 2019. Cela contribue au fort taux d'échec en première année. À l'Université de Versailles-Saint-Quentin, les étudiant·es en échec à l’issue du premier semestre universitaire (S1) rejoignent un semestre 2 (S2) spécifique pour re-travailler exclusivement trois unités d’enseignement (UE) du S1 (programme identique mais format pédagogique pouvant varier). Pour les UEs de chimie et de physique, un « dispositif d’accompagnement différencié et personnalisé », s’inscrivant dans une pédagogie active et inclusive est proposé. Un total de 83 étudiant·es en situation d’échec et de 131 étudiant·es en parcours régulier (UE de chimie uniquement) ont pu expérimenter ce dispositif. A l’aide d’un devis quasi-expérimental et de questionnaires auto-rapportés, l’impact de ce dispositif sur l’estime de soi, le sentiment de compétence et la perception des difficultés a été évalué. Chez les étudiant.es en échec, l’augmentation du sentiment de compétence est significative, accompagnée d’une amélioration notable des performances académiques. Ce dispositif semble donc encourageant en termes d’accompagnement vers la réussite.
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 | 0.025 | 0.031 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.008 | 0.007 |
| Scholarly communication | 0.018 | 0.016 |
| Open science | 0.002 | 0.013 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.019 | 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".