Profiles of teacher-child interaction quality in groups of three-year-old children in Quebec and France
Bibliographic record
Abstract
La petite enfance est largement considérée comme une période importante pour le développement et la réussite scolaire des enfants (Avril et coll., 2018; Bouchard et coll. 2017). En effet, le développement du cerveau de l’enfant est fortement affecté par les nouvelles expériences (Simard et coll., 2013; Yoshikawa et coll. 2013), ce qui rend les environnements éducatifs de haute qualité primordiaux pour favoriser la réussite des enfants dans la vie. Même si la qualité de l’éducation englobe plusieurs variables, une méta-analyse de Sabol et coll. (2013) a révélé que les interactions adulte-enfants étaient le meilleur prédicteur de la réussite ultérieure des enfants. Toutefois, la recherche montre également que les services de garde éducatifs à l’enfance (SGÉE) dans le monde offrent rarement des environnements de haute qualité (Slot, 2018; Tayler et al., 2016). Ainsi, plusieurs pays ont mis en place des pratiques d’évaluation de la qualité (OCDE, 2015). Dans la communauté francophone, le Québec et la France ont développé de telles pratiques, mais présentent différents contextes culturels, politiques et sociaux qui peuvent entraîner des divergences dans la façon dont la qualité des interactions est concrètement appliquée dans leur SGÉE. Pour explorer cette possibilité, une étude de Bigras et coll. (2019) a été menée et a révélé que la qualité des interactions dans centres de la petite enfance (CPE) au Québec était significativement plus élevée que dans les maternelles en France. Toutefois, leur analyse était fondée sur une approche centrée sur les variables, utilisant des moyennes, ce qui peut créer une représentation inadéquate de la réalité (Haccoun et Cousineau, 2010). À l’aide d’une analyse secondaire des données (Bigras et coll. 2019), la présente étude visait ainsi à identifier les profils latents de la qualité des interactions adulte-enfants chez des groupes d’enfants de trois ans dans CPE du Québec et dans les classes de maternelle françaises, tel que mesuré par le CLASS Pre-K. Cette étude visait également à explorer les associations existantes entre les profils de qualité des interactions identifiés et les caractéristiques structurelles (formation du personnel, âge, taille du groupe). Les analyses de profil latents ont ressorti trois profils de qualité des interactions au Québec, la plupart des participants (52,5 %) se situant dans le profil de haute qualité, et quatre profils de qualité des interactions en France, dans lesquels les participants étaient presque également répartis. Ces résultats suggèrent une formation du personnel éducateur plus homogène au Québec qu’en France. Les scores des trois domaines du CLASS Pre-K associés aux profils identifiés montrent un niveau de qualité des interactions moyen plus élevé au Québec qu’en France. En ce qui concerne les caractéristiques de la qualité structurelle, nos analyses suggèrent que seule la variable de la taille du groupe est significativement associée aux scores de qualité des interactions et exclusivement avec les profils de qualité moyenne (MQ-FR) et de qualité moyenne-basse avec accent sur l’organisation de la classe (MLQ-CO) en France. Ainsi, la taille du groupe des classes de maternelle françaises associées au profil MQ-FR est significativement inférieure à la taille du groupe de de celles associées au profil MLQ-CO. Cela donne à penser que, dans le contexte des maternelles françaises, la réduction de la taille du groupe pourrait permettre aux classes associées au profil MLQ-CO de se retrouver dans le profil MQ-FR. Le profil de qualité des interactions le plus élevé pourrait alors représenter plus de 50 % de l’échantillon français, ce qui représenterait une amélioration significative de la qualité moyenne en maternelle. D’autres études sont néanmoins nécessaires pour confirmer cette hypothèse.
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
Direct model labels (unvalidated)
Per-model category and study-design labels from the labeling rounds. They are machine output, unvalidated, and the disagreement between models ships as data. No study design here is MEDLINE-validated yet.
| Model arm | Categories | Study design | Confidence |
|---|---|---|---|
| gemma | no category Domain: not available · Genre: Empirical About the Canadian research system: no · About a Canadian topic: yes | Observational | low |
| gpt | no category Domain: not available · Genre: Empirical About the Canadian research system: no · About a Canadian topic: yes | Observational | medium |
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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, unvalidatedLabeled directly by 2 models reading the full record.
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".