Pas une autre consultation en éducation ! Transformer les idées en actions grâce à la coconstruction et à la cartographie conceptuelle
Bibliographic record
Abstract
Les enjeux scolaires, nombreux et variant selon les personnes ou les groupes interrogés, rendent difficile l’établissement d’un consensus, tant sur ceux à prioriser que sur les actions à privilégier. Cet article présente l’approche de coconstruction, basée sur la cartographie conceptuelle (Trochim, 1989), mise en œuvre dans le cadre de la consultation publique provinciale Unis pour l’école , qui visait à dégager les enjeux éducatifs prioritaires ainsi que les stratégies les plus prometteuses pour y répondre. Trois grands thèmes et 56 enjeux ont d’abord été dégagés en coconstruction avec les partenaires, puis un échantillon de 4 961 personnes a été mobilisé pour en identifier les enjeux à prioriser et proposer des stratégies. Ainsi, six enjeux ont été identifiés et hiérarchisés : 1) l’impact négatif des écrans sur l’apprentissage et l’attention, 2) l’intimidation et la violence, 3) l’épuisement professionnel, 4) le manque d’intérêt et de motivation à l’école, 5) les difficultés de régulation des émotions, du stress et de l’anxiété et 6) le peu d’arrimage entre les services gouvernementaux et les besoins des écoles et des élèves. De plus, 22 546 stratégies ont été proposées. Par la suite, un sous-échantillon (n=84–189 par thématique) a évalué la faisabilité et l’impact potentiel des 45 stratégies les plus représentatives de celles recueillies pour résoudre chacun des enjeux. Au-delà des résultats clés et des pistes d’action concrètes, cet article souligne la pertinence d’une démarche participative ancrée dans les réalités du terrain, capable de générer un portrait global des priorités en éducation tout en respectant la diversité des points de vue.
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 | 0.029 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.016 | 0.030 |
| Scholarly communication | 0.016 | 0.019 |
| Open science | 0.002 | 0.014 |
| Research integrity | 0.005 | 0.012 |
| Insufficient payload (model declined to judge) | 0.019 | 0.005 |
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".