Évaluation des compétences en enseignement : le cas de maitre·sse·s communautaires en République centrafricaine
Bibliographic record
Abstract
Cet article évalue certaines compétences en enseignement de maitre·sse·s communautaires centrafricain·e·s à l’aide de neuf dimensions de leurs pratiques professionnelles autorapportées. Pour ce faire, il a été nécessaire de traduire en français le questionnaire de Borg et Edmett (2019). Le questionnaire traduit a été mis à l’essai auprès de 93 maitre·sse·s communautaires et 40 administrateur·rice·s. La cohérence interne de l’ensemble des 39 items est très élevée (α = 0,951). La dimension « Intégration des technologies de l’information et des communications » reflète la compétence la moins développée et l’échantillon sondé ne maitrise que partiellement l’ensemble des neuf compétences évaluées. On en conclut que les maitre·sse·s communautaires ont des compétences en enseignement allant de peu développées (scores inférieurs à 2 sur 4) à moyennement développées (scores entre 2 et 3 sur 4). La discussion revient sur la nécessité d’offrir des formations initiales et continues visant à améliorer les compétences des maitre·sse·s communautaires centrafricain·e·s.
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 | 0.017 | 0.034 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.005 |
| 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".