Inégalités de réussite, que nous disent les données PISA 2000 à 2018
Bibliographic record
Abstract
Dans les dernières années, le Québec s’est fait reprocher d’avoir le système d’éducation le plus inégalitaire au Canada. Ainsi, l’objectif de ce mémoire est de brosser le portrait des inégalités académiques et du degré d’inclusion socioéconomique au sein des écoles du Québec par rapport à celles des autres provinces canadiennes. À l’aide des microdonnées des sept cycles d’enquêtes disponibles du Programme for International Student Assessment (PISA), nous construisons plusieurs indicateurs d’inégalités tels que le coefficient de Gini, la variance intraécole, le coefficient de variation et l’indice de la mesure d’inclusion. L’inégalité académique est mesurée à partir des résultats aux différents tests, alors que l’inégalité socioéconomique est mesurée à partir des mesures du statut socioéconomique des parents. Notre contribution principale est l’utilisation de plusieurs indicateurs d’inégalités en éducation pour illustrer l’homogénéité des écoles québécoises par rapport à celles des autres provinces canadiennes. Nos résultats suggèrent que le Québec n’est pas la province la plus inégalitaire au pays. Toutes les mesures d’inégalités n’arrivent pas au même constat, mais il semble clair que le système québécois ne génère pas plus d’inégalités académiques et qu’il est somme toute relativement comparable au reste du Canada sur le plan des inégalités socioéconomiques (SSE). Au niveau provincial, le Québec apparaît parfois plus égalitaire, c’est-à-dire que les élèves du Québec ont des résultats plus similaires qu’ailleurs au Canada et que leurs parents ont également des profils socioéconomiques plus similaires. Cependant, de manière générale, la plupart des différences entre le Québec, l’Ontario et le reste du Canada ne sont pas statistiquement significatives. Quand nous comparons la distribution des inégalités socioéconomiques intraécole, le Québec apparaît comparable à la moyenne canadienne, c’est donc dire que la distribution socioéconomique des élèves du Québec d’une école à l’autre est similaire à celle observée ailleurs au Canada. Cependant, au niveau académique, il semble y avoir une plus grande homogénéité au Québec. Enfin, nous observons qu’il y a une relation négative entre chacune de nos mesures d’inégalités et la performance moyenne provinciale du quintile inférieur. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Éducation et inégalités, inégalités socioéconomiques, PISA, compétences en littératie et en numératie, échelles de compétence, politique provinciale en matière d’éducation, gradient de niveau de scolarité, province et Canada.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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; both teacher heads agree on what is shown here.
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".