Réduire les inégalités ou améliorer la performance ? Discours de légitimation de deux réformes de l’enseignement secondaire à Genève
Bibliographic record
Abstract
À Genève, deux types d’organisation du secondaire I sont depuis longtemps débattus. L’un favorise le regroupement des élèves niveau scolaire, l’autre privilégie l’hétérogénéité « académique » au sein des classes. Ces modèles, qui reposent sur des conceptions et valeurs différentes relatives à la justice et à l’hétérogénéité à l’école, ont donné lieu à une véritable « guerre scolaire ». Bien ce que soit l’organisation par filières qui est en vigueur depuis plusieurs décennies, des tentatives de changement ont été entreprises lors d’une réforme en 2011 et d’un projet de loi en 2022 ravivant les querelles idéologiques sur la gestion des inégalités à l’école. Cet article met en perspective les débats tenus dans le cadre de ces deux projets de réformes. L’analyse du discours des acteurs impliqués (élus parlementaires, responsables gouvernementaux, enseignants, chefs d’établissement et membres de syndicats) montre qu’une ambivalence persiste autour du rôle de l’école dans la gestion des inégalités. Elle montre aussi, et surtout, que les inégalités sont rarement pensées en termes de construction systémique face à l’injonction de performance à laquelle les systèmes éducatifs sont de plus en plus soumis.
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 | 0.046 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.017 |
| Scholarly communication | 0.013 | 0.005 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.005 | 0.007 |
| Insufficient payload (model declined to judge) | 0.008 | 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".