L’influence de la pression à l’évaluation chiffrée des apprentissages des élèves québécois : une analyse des stratégies d’adaptation d’enseignant·e·s de la 6e année
Bibliographic record
Abstract
Durant les deux dernières décennies, la pression à l’évaluation chiffrée, dans le système éducatif québécois, s’est grandement intensifiée. Cette pression a provoqué un accroissement du nombre d’évaluations chiffrées dans les écoles, entrainant dans son sillage des dérives au plan de la pratique comme le gonflement artificiel des notes des élèves pour satisfaire les cibles du Ministère de l’Éducation en matière de réussite. La pression prend de l’ampleur à la fin du primaire, au moment où les élèves de 6e année doivent opérer le passage vers le secondaire. Dans la foulée, la performance scolaire traduite par la note chiffrée représente un critère de choix pour sélectionner les élèves dans certains établissements privés d’enseignement réputés pour leur « excellence ». Dans ce contexte, l’évaluation chiffrée est devenue un enjeu sociopolitique. À ce jour, la recherche a surtout documenté les impacts psychologiques de la pression à l’évaluation chiffrée sur le travail d’enseignant·e·s (stress, anxiété, fatigue, abandon) ; peu d’attention a été portée à la manière dont les enseignant·e·s s’ajustent pour composer avec ce contexte. Ainsi, ce mémoire vise à comprendre comment des enseignant·e·s de 6e année du primaire s’adaptent face à la pression à l’évaluation chiffrée des apprentissages des élèves québécois. Plus précisément, il documente les formes d’adaptations secondaires que les enseignant·e·s déploient pour négocier les contraintes institutionnelles et les conventions professionnelles qui se construisent autour de l’évaluation chiffrée des apprentissages. La théorie de Perrenoud (2004b) sur le « métier d’élève » est ici transposée au « métier d’enseignant » afin d’éclairer ces adaptations secondaires. Sur le plan méthodologique, le point de vue des enseignant·e·s a été privilégié, recueilli au moyen d’entretiens individuels conduits auprès de 4 enseignantes de 6e année travaillant dans des établissements d’enseignement primaire de Montréal et de Laval. Les données recueillies sont présentées suivant deux registres d’analyse. Dans le premier registre, le matériau de recherche est analysé selon le point de vue des participantes à partir d’une stratégie de raisonnement par questionnement analytique (Paillé et Mucchielli (2016). Il en ressort trois catégories d’adaptations secondaires que les enseignantes ont développées pour s’affranchir un peu de l’influence externe qui pèse sur leur travail, à savoir : l’allègement des tâches d’évaluation, l’alignement des modalités d’évaluation et l’ajustement de l’évaluation selon une commande externe. Dans le deuxième registre, en cohérence avec la démarche inductive employée, un éclairage complémentaire est mobilisé pour donner sens à la dynamique d’actions réciproques entre les acteurs qui sous-tend ces stratégies d’adaptation. Il s’agit de la théorie de la régulation sociale de Reynaud (1979), issue de la sociologie des organisations. Combinée aux apports d’autres auteurs affiliés à une perspective interactionniste, cette théorie conduit à éclairer la fabrique de l’évaluation par la mise en relief de trois stratégies de régulation : la régulation de contrôle, la régulation autonome et la régulation conjointe.
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 | 0.005 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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; 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".