L’éducation inclusive au croisement de l’approche intersectionnelle : une étude de portée sur la prise en compte de marqueurs de diversité
Bibliographic record
Abstract
S’inscrivant dans le débat sur l’éducation inclusive et la prise en compte des différents marqueurs de diversité, cet article vise à mieux comprendre comment les recherches en sciences de l’éducation s’intéressent à l’éducation inclusive dans une perspective intersectionnelle. Dans un premier temps, nous proposons une étude de portée sur la prise en compte des différents marqueurs de diversité, dans dix recherches qui s’intéressent aux enjeux de l’éducation inclusive. L’objectif est d’explorer comment la perspective intersectionnelle est mise en oeuvre dans les différentes phases d’une recherche, de la problématisation à l’analyse des données. Dans un deuxième temps, nous présentons les résultats issus de deux groupes de recherches : 1) celles qui s’intéressent aux différentes catégories de marqueurs de diversité et aux relations entre ces catégories; 2) celles axées sur les processus d’exclusion et d’inclusion. La discussion soulève trois enjeux : le positionnement des élèves et leur représentation dans les recherches, les spécificités des contextes scolaires, et la perspective critique. Nous terminons par une réflexion sur le rôle des recherches dans la construction du sens de l’éducation inclusive et le risque de produire un savoir déficitaire, pouvant mener à de nouvelles formes de catégorisation.
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 | 0.018 | 0.028 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.016 | 0.031 |
| Scholarly communication | 0.021 | 0.021 |
| Open science | 0.002 | 0.019 |
| Research integrity | 0.004 | 0.009 |
| Insufficient payload (model declined to judge) | 0.016 | 0.002 |
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".