Vers une évaluation plus inclusive : repenser les pratiques à travers une formation de formateurs
Bibliographic record
Abstract
Cette contribution présente une formation de formateurs à l’Institut français de l’Éducation (IFÉ – ENS de Lyon) visant à penser les pratiques évaluatives dans une perspective d’inclusion et d’équité. L’objectif principal de la formation est d’accompagner les formateurs d’enseignants, de la maternelle à l’enseignement supérieur, dans le développement de pratiques évaluatives sommatives plus inclusives en interrogeant les principes d’usage du numérique et de différenciation pédagogique. Les pratiques évaluatives sommatives actuelles confrontent souvent les enseignants à un dilemme professionnel : comment concilier des conceptions traditionnelles de l’évaluation fondées sur l'égalité avec des approches inclusives basées sur l'équité (Yerly et al., 2024)? Alors que le numérique est fréquemment perçu comme une réponse immédiate aux défis d’adaptation des apprentissages, nous choisissons ici de l’aborder dans une perspective inclusive (Benoit et Feuilladieu, 2017). Cette contribution défend une approche qui ne se limite pas au numérique comme outil, mais au numérique comme un outil au service d’une réflexion approfondie sur les objectifs pédagogiques et les obstacles à l’apprentissage. Cette démarche s’inscrit dans le cadre de l’alignement curriculaire élargi (Pasquini, 2019, 2021) et de la conception universelle des apprentissages (CUA) (CAST, 2024), qui favorisent une vision systémique de l’inclusion.
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 | 0.133 | 0.163 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.012 | 0.029 |
| Scholarly communication | 0.024 | 0.030 |
| Open science | 0.003 | 0.021 |
| Research integrity | 0.006 | 0.010 |
| Insufficient payload (model declined to judge) | 0.011 | 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".