Analyse des perceptions des élèves sur le climat scolaire : étude de cas de deux écoles au Maroc
Bibliographic record
Abstract
L’effet du climat scolaire (CS) sur l’enseignement, l’apprentissage et la réussite scolaire est un sujet étudié par plusieurs chercheurs (Debarbieux, 2015 ; Collins, T. N., 2010 ; Thapa et all., 2013). Certains auteurs ont même abordé le problème du point de vue des conditions d’amélioration du CS (Veltcheff, 2015 ; Elhaddadi, 2019 ; Ramdé, 2011 ; Poulin et al., 2018). Cependant, la grande majorité des études portent sur le contexte des pays développés en plus du fait que certaines études portant sur l’évaluation du CS, n’abordent pas le point de vue des élèves, qui sont pourtant au cœur du processus éducatif. Notre étude s’intéresse particulièrement à l’évaluation du CS par biais des perceptions des élèves dans deux écoles primaires publiques au Maroc. Pour recueillir les données nécessaires à notre étude, nous avons mené des entretiens semi-structurés avec des groupes de discussion. Nous avons aussi recueilli auprès des mêmes élèves des réponses à une notation multicritère. Par la suite, une analyse qualitative des réponses a été faite et un indice CS a été estimé. L’étude a permis d’évaluer les déterminants de la perception des élèves à l’égard du CS, à savoir l’état de l’infrastructure, la distance à parcourir pour se rendre à l’école, les activités de divertissement et le comportement des élèves à l’intérieur de la classe.
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 | 0.004 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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 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".