Humiliations scolaires :: origines, développement et remédiations
Bibliographic record
Abstract
Au moment où les différents discours sur le harcèlement scolaire éclatent au grand jour dans notre société, ce travail aborde le thème de l’humiliation scolaire, phénomène peu connu, mais étroitement lié au harcèlement scolaire. J’ai choisi de me placer du point de vue des enseignants, afin de comprendre les tenants et aboutissants qui les pousseraient à utiliser des mécanismes néfastes contre leurs élèves, le plus souvent involontairement. Le but de cette recherche n’est ni une morale ou un pamphlet, ni dans l’optique de pointer l’école du doigt, mais de se rendre compte que ce phénomène existe et qu’il est nécessaire d’en prendre conscience, afin de permettre aux élèves d’évoluer dans un climat scolaire affectivement sécurisant, de sorte à optimiser leurs apprentissages. Ceci en m’approchant d’enseignants prêts à partager leurs expériences, et à analyser leurs pratiques professionnelles. Les propos des enseignants mettent en exergue que l’humiliation a malheureusement sa place au sein des établissements scolaires. Il s’agit donc de se sentir concerné par cette thématique et de se remettre en question sur sa pratique, puisque notre statut d’enseignant joue, le plus souvent, un rôle primordial sur la vie de nos élèves.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.011 | 0.020 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.002 | 0.006 |
| Insufficient payload (model declined to judge) | 0.010 | 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".