Soutien enseignant, accès aux technologies et préoccupations psychosociales dans l’apprentissage des mathématiques pendant la COVID-19 en Afrique subsaharienne francophone
Bibliographic record
Abstract
Cet article analyse le rôle du soutien enseignant dans le maintien des apprentissages en mathématiques pendant la pandémie de COVID-19 en Afrique subsaharienne francophone. Il mobilise les données issues des évaluations PASEC 2019 et MILO 2021, et compare quatre pays : le Burkina Faso, la Côte d’Ivoire, le Sénégal et le Burundi. La méthodologie repose sur une analyse descriptive et comparative des performances en mathématiques avant et pendant la pandémie, complétée par l’examen des indicateurs rapportés par les élèves sur le soutien enseignant, l’accès aux technologies et leurs préoccupations psychosociales. Les résultats montrent que si le soutien enseignant est associé positivement aux acquis, son effet est resté limité dans les pays ayant connu des fermetures scolaires en raison de la fracture numérique et de l’anxiété accrue des élèves. Le Burundi, où les écoles sont restées ouvertes, se distingue par des niveaux plus élevés de soutien et des acquis plus stables. Ces constats soulignent l’importance d’une approche systémique articulant soutien enseignant, conditions d’effectivité (accès aux technologies) et conditions de réceptivité (bien-être psychosocial). Des recherches futures pourraient approfondir cette analyse par des méthodes statistiques plus robustes, afin de mieux quantifier l’influence relative de ces facteurs et d’éclairer les politiques éducatives.
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 | 0.005 |
| 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 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".