Analyser les réussites dans l'enseignement supérieur : réflexion sur l’efficacité des pratiques d’accompagnement
Bibliographic record
Abstract
Depuis plusieurs années nous constatons une recrudescence des préoccupations relatives à la réussite dans l’enseignement supérieur. Dans cette idée, Au Québec en 2023, près de 30 % des étudiantes et étudiants collégiaux ont bénéficié de services de soutien à la réussite, mobilisant des ressources humaines et financières importantes. Cependant, l’efficacité des pratiques d’accompagnement pose question notamment concernant leur ajustement aux nouveaux enjeux de réussite. En effet, la multiplicité de la notion de réussite est aujourd’hui actée (pour une revue, voir van der Zanden et al., 2018) et englobe des notions de développement de compétences disciplinaires, transversales ou psychosociales, permettant de considérer l’intégration, l’épanouissement et l’engagement de l’étudiant comme des formes de réussite. De plus, la responsabilité de la réussite et de l’accompagnement à la réussite est redistribuée, démontrant l’importance de faire de la réussite la question de toutes les actrices et tous les acteurs de l’enseignement supérieur (Trautwein et Bosse, 2017). Finalement, la notion de diversité des profils et des contextes est particulièrement mise en avant, nécessitant de réfléchir des accompagnements à la réussite qui s’ajustent à cette hétérogénéité grandissante (De Clercq et al., 2021). Plusieurs questions peuvent donc se poser : Comment définir aujourd’hui concrètement la notion de réussite ? Comment proposer un accompagnement à la réussite qui s’accorde à cette approche étendue de la réussite ? Comment gérer ces réussites au regard d’une diversité de parcours et de profils de personnes étudiantes ? Ce sont à ces questions que la session tentera de répondre en apportant un regard ancré dans la recherche scientifique en sciences de l’éducation.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.005 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 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, unvalidatedMachine predicted; a candidate call from one teacher head, 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".