L'effet du statut linguistique sur la réussite des élèves canadiens aux items de mathématiques du PISA
Bibliographic record
Abstract
Ce projet de recherche s’intéresse à l’influence des facteurs linguistiques sur la performance des élèves en mathématiques, en mettant l’accent sur les enjeux d’équité dans les évaluations à grande échelle. À partir des données de l’enquête PISA 2012, l’étude vise à détecter la présence de fonctionnement différentiel des items (FDI) entre les élèves canadiens et canadiennes dont la langue du test est leur langue maternelle (L1) et ceux pour qui elle constitue une langue seconde (L2). Pour ce faire, une méthode de pairage par score de propension a été utilisée afin de contrôler les variables confondantes et d’isoler l’effet du statut linguistique, dans un contexte méthodologique complexe lié à la conception par livret des tests PISA. Les résultats révèlent la présence de plusieurs items présentant un FDI en défaveur des élèves L2, suggérant que certains obstacles linguistiques peuvent affecter injustement la performance dans des épreuves censées évaluer uniquement des habiletés mathématiques. L’étude met en valeur l’utilité du pairage comme stratégie méthodologique pour garantir des comparaisons valides entre groupes. Elle contribue ainsi à une meilleure compréhension des biais potentiels dans les évaluations internationales standardisées. Cette recherche propose des pistes concrètes pour améliorer la conception des tests, favoriser l’équité en éducation et soutenir des pratiques d’évaluation plus inclusives, en particulier pour les élèves dont la langue d’apprentissage diffère de celle de l’évaluation. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : fonctionnement différentiel des items (FDI), équité en évaluation, PISA 2012, pairage par score de propension, biais linguistique, évaluation des habiletés mathématiques
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 | 0.011 | 0.069 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.003 |
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".