L'impact du surpeuplement des classes sur le rendement scolaire des élèves des écoles primaires publiques du système éducatif du Rwanda : le cas de la ville de Kigali (1997-2002)
Bibliographic record
Abstract
À la suite du génocide1 de 1994 au Rwanda, le Ministère de l'Éducation, de la Science, de la Technologie et de la Recherche scientifique (MINEDUC) a jugé bon de renforcer la politique d'Éducation Pour Tous, une politique dont la mission première est d'inciter tous les jeunes à fréquenter l'école. Mais en contre partie, la politique n'a ni accru le nombre des enseignants ni celui des structures d'accueil avec pour conséquence le surpeuplement des classes soit plus de 50 élèves par enseignant dans les écoles primaires du pays. \n \nDe nombreux chercheurs associent la petite taille de la classe à la qualité de l'enseignement et l'apprentissage. À titre d'exemple, nous pouvons citer Avanzini, 1967; Din, 1999; Fijalkow et Nault, 2002, Berthelot et al. 2001; Blatchford et al. 2003; Lavallée, 1986; Sid, 1995; McConnel et Sosin, 1984; etc. \n \nC'est dans cette perspective d'influence de la taille de la classe sur la qualité des apprentissages que nous avons mené cette étude afin de connaître l'effet du surpeuplement des classes sur le rendement scolaire des élèves des écoles primaires publiques de la ville \n \n1 Dans le contexte rwandais, on entend par « génocide », l'extermination d'environ un million des Tutsis en 1994 par les Hutus extrémistes (Coquio, 2004). \n \nde Kigali au cours de la période de 1997-2002. Plus précisément, nous avons fait l'hypothèse selon laquelle il existe une relation significative entre le surpeuplement des classes et le rendement scolaire faible des élèves. En d'autres termes, plus il y a surpeuplement, moins bon est le rendement scolaire et vice versa. \n \nPour vérifier l'hypothèse, nous avons opté pour l'analyse de l'évolution des résultats des élèves au moyen des tests statistiques complétés par les résultats de discussion avec les groupes d'enseignants et d'élèves du primaire. Les résultats des analyses statistiques notamment le test t de Student, le test de Wilcoxon et l'analyse de régression, ont révélé que le surpeuplement des classes a un effet négatif sur le rendement scolaire des élèves. En effet, alors que les tests statistiques ont permis de constater que les résultats des élèves de la période de 1991-1996 sont supérieurs à ceux des élèves de la période de 1997-2002, l'analyse de régression, quant à elle, a montré que le rendement scolaire est en relation contraire avec l'augmentation de l'effectif des élèves de la classe. Ainsi par exemple, quand l'effectif des élèves s'accroît, le rendement scolaire décroît. Par contre, avec un effectif peu élevé, le rendement scolaire a tendance à s'améliorer. \n \nLes entrevues ont permis de constater qu'outre le surpeuplement des classes, d'autres variables influencent également le rendement scolaire. Il s'agit par exemple de manque de suivi et d'encadrement des enfants par leurs parents, de la pauvreté, de la démotivation des enseignants et des élèves, etc. \n
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.022 | 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".