Un blog sur l'éducation dans les pays du Sud – A blog on education in the developing countries

19 septembre 2013

Utilisation des modèles à classes latentes dans l’évaluation des acquis scolaires

Abdallah ABARDA & Pierre VARLY

Le présent document constitue une synthèse de notre travail dans le cadre du projet de fin d’études réalisé au sein de la société Varlyproject et encadré par Messieurs Pierre VARLY et Mohammed El-haj TIRARI (INSEA). L’objectif était d’analyser les compétences des élèves au Cameroun et au Ghana, de faire ressortir une classification selon leurs apprentissages et caractéristiques socio-économiques et d’en déduire quelques mesures à prendre par les autorités afin d’améliorer la qualité et la performance des élèves. Le projet sert aussi à introduire des techniques d’analyse des données, l’Analyse des classes latentes (ACL) qui peuvent être appliquées dans divers domaines qui sont peut utilisées en évaluation des acquis scolaires. Accédez au rapport complet  : Rapport_FINAL2013

Contexte

L’utilisation de l’ACL entre dans le cadre de l’amélioration des outils statistiques dans le domaine éducatif. La mise en œuvre d’évaluations des acquis à large échelle est particulièrement coûteuse (déplacement d’administrateurs de tests sur le terrain, impression des tests, traitement et analyse des données). La phase d’analyse des données relevant des enquêtes d’évaluation des acquis scolaires nécessite des méthodes performantes aboutissant à des résultats fiables et interprétables en termes pédagogiques. La plupart des évaluations des acquis repose sur le calcul d’un score moyen qui n’apporte que peu d’informations sur les compétences des élèves. Il est possible de construire des échelles de compétences (voir l’exemple du SACMEQ) mais qui reposent souvent sur des techniques très complexes d’analyse des réponses aux items. Nous allons donc tester l’ACL comme méthode alternative.

Dans les deux cas, au Cameroun et au Ghana, le problème est d’identifier les élèves en grande difficulté ou susceptibles de ne pas savoir lire. Dans le cas du Ghana, on ne dispose que des résultats à un test écrit et qui n’est composé que de QCM (Questions à Choix Multiples). Des méthodes statistiques ont permis d’estimer la proportion d’élèves non lecteurs ou plutôt susceptibles de ne pas savoir lire. Dans le cas du Cameroun, nous avons à la fois les réponses à un test écrit (dit papier-crayon) mais aussi des observations individuelles des capacités de lecture des élèves. La réalisation de ces tests a été effectuée au Cameroun avec l’appui de la société.

L’idée est donc d’estimer à travers l’utilisation des modèles à classe latente, quelle est la proportion d’élèves non lecteurs au Cameroun et de comparer la classification opérée par l’analyse des tests écrits aux observations des capacités de lecture à l’oral, afin d’affiner des modèles qui puissent ensuite être appliqués au Ghana.

Plusieurs évaluations sont en cours au Ghana : des évaluations EGRA en 2ème année en anglais et dans 11 langues nationales et des tests écrits en 3ème et 6ème année. Ce PFE a permis donc d’alimenter la réflexion en cours sur la construction et l’exploitation des tests du Ghana. S’agissant du Cameroun, on cherche à déterminer des modèles qui puissent être mis en œuvre ultérieurement pour suivre la proportion d’élèves non lecteurs, que ce soit au niveau du pays, des régions ou des écoles. Enfin, comme le test Cameroun contient des items d’une évaluation internationale (PASEC), les modèles sont potentiellement applicables dans 21 pays ayant mené des évaluations depuis 1991 (Afrique subsaharienne, Liban et Asie du Sud-est).Les méthodes ACL peuvent avoir un champ d’application plus large que l’évaluation des acquis scolaires. Comme le suggère l’UNESCO dans le cadre du projet LAMP sur la mesure de l’alphabétisation, elles peuvent permettre d’identifier les ménages susceptibles d’être alphabétisés. Au Maroc, nous pensons que les méthodes ACL peuvent être utilisées pour déterminer les ménages susceptibles de connaître des problèmes de scolarisation des enfants et pouvant être l’objet de mesures d’appui social comme le programme Tayssir.

Base théorique de l’analyse des classes latentes

L’analyse des classes latentes repose sur des méthodes probabilistes que vous pouvez consulter en détail dans le rapport complet (Rapport_FINAL2013) , mais en voici les grands principes.

La probabilité d’observer un vecteur particulier de réponses est une fonction de la probabilité d’observer chacune des classes latentes et la probabilité conditionnelle qu’un individu choisit la modalité rj de la variable J sachant qu’il appartient à la classe C (sous l’hypothèse d’indépendance conditionnelle). Pour chaque individu, on peut calculer la probabilité conjointe de choisir une réponse Y et d’appartenir à la classe c. Cette relation nous permet d’obtenir les  vecteurs de probabilités d’appartenance à une classe. Le problème statistique se ramène donc à estimer certains paramètres et ensuite tester l’ajustement du modèle (Lanza et al.). L’algorithme EM est une procédure itérative qui est utilisé pour estimer les deux paramètres nécessaires pour la classification latente et qui se base sur la méthode du maximum de vraisemblance.

L’idée fondamentale de l’estimation par maximum de vraisemblance est de quantifier l’adéquation entre une distribution de probabilités et un échantillon : plus grande est la vraisemblance de l’échantillon, meilleure est l’adéquation. D’après AGERSTI (1990), pour chercher le modèle le plus adéquat, on peut utiliser la statistique du rapport de vraisemblance. Une fois les paramètres sont estimés, on compare les fréquences observées des différents vecteurs possibles – dans la table de contingence – des variables observées avec leurs espérances. On compare la statistique G² avec un Khi-deux. Le modèle à classes latentes est acceptable si G² est inférieure au seuil définit par les quantiles de la statistique Khi-deux. En revanche, la comparaison entre G² à un  Khi-deux ne pourra pas être considérée si la quantité. N/W est faible (inférieure à 5), KOEHLER (1986) (cité par Lanza et al.) avec N étant la taille de l’échantillon et W le nombre de paramètres donnés par la table de contingence soit 2 puissance p où p est le nombre d’items.

Choix du modèle

Pour le choix du nombre de classes, et à titre de démonstration, nous présentons seulement un seul modèle appliqué aux données du Cameroun. Nous avons utilisé  les neuf premiers items du test de la langue, qui sont dans le domaine de la lecture. Chaque item mesure une compétence particulière. Parmi les items sélectionnés, six sont de premier niveau taxonomique (connaissance et compréhension) alors que trois sont de deuxième niveau (application), dont deux sont des items PASEC. On a constitué finalement un ensemble de neufs variables et 2 553 observations.

Critères de choix du modèleTableau 1

Les valeurs de la statistique G² et du critère AIC sont les plus faibles pour un modèle à six classes latentes, alors que le critère BIC atteint son minimum pour un modèle à quatre classes. Puisque le rapport N/W est égal à environ 5, on pourra dire que la statistique G² suit une loi Khi-deux à ddl degré de liberté. Pour les trois premiers modèles (modèles à 2, 3, 4 classes latentes), la p-value est inférieur à 5%, donc on ne pourra pas choisir ces modèles. Il reste alors les modèles à 5, 6 et 7 classes et on peut choisir un modèle à cinq classes latentes.

Les élèves appartenant à la classe 1 ont un score moyen égal à 0,74 (% de bonnes réponses). C’est le plus grand score parmi les cinq classes. Cette classe peut représenter les élèves ayant une bonne base en lecture. Le score de 0,14 est inférieur au score d’un élève qui répondrait au hasard. C’est celui de la classe 2 qui a le plus petit score parmi les classes issues de l’ACL. Cette classe semble être qualifiée comme étant la classe des élèves ayant de grandes difficultés en lecture (cf. figure 2).

Dispersion des scores de lecture en fonction des classes latentes

Figure1

 Il est important de remarquer aussi la bonne dispersion des scores des classes, c’est-à-dire les écarts entres les performances des meilleurs élèves en lecture (Les élèves appartenant à la classe 1) et les élèves les moins performants (Les élèves appartenant à la classe 2) et les autres classes, sauf les classe 4 et 5 où les scores sont proches.

Les scores calculés à partir des probabilités conditionnelles en utilisant les modèles à classes latentes avec seulement neufs items sont très proches des classes calculées à partir des 39 items de test de langue. On voit ici que sur la base du seul score moyen, généralement utilisé pour constituer des groupes d’élèves, on n’est pas en mesure de distinguer les classes 4 et 5. L’ACL apporte donc une information plus précise que le simple score moyen. On note que l’ACL ne classe pas les élèves sur la base de nombres (ou quantités) d’items corrects mais selon des profils d’élèves et leurs comportement vis-à-vis des questions du test.

L’ACL va nous permettre d’expliquer les différences entre les classes 4 et 5 qui ne sont pas décelables si l’on intéresse seulement au score moyen.

Interprétation des classes 

En se basant sur les résultats obtenus dans le tableau des probabilités conditionnelles, on peut interpréter les classes latentes comme suit :

Classe 1 : Lecteurs confirmés

Cette classe représente 23% de la totalité des élèves de CM5 ayant passé le test. Elle se caractérise par des grandes probabilités de répondre correctement à tous les items. Les élèves de cette classe ont des capacités de lire et de comprendre, de tirer des relations entre plusieurs mots ou d’interpréter le sens d’une partie du texte. Ils peuvent aussi déduire plusieurs informations à partir d’un texte.

Classe 2 : Non Lecteurs

La classe 2 est qualifiée de  « Non Lecteurs » puisque les probabilités d’échec sont très grandes pour tous les items. Elle se caractérise par l’échec à tous les items. Cette classe présente 43% de notre échantillon et on note une surreprésentation de garçons 52% contre 48% pour les filles. On remarque que les élèves qui appartiennent à cette classe ont probablement beaucoup de difficulté à lire et à comprendre et donc à répondre aux items les plus faciles du test.  Ce groupe d’élèves peut être considéré comme étant en grande difficulté de lecture et pour lesquels la situation est particulièrement préoccupante. Ces élèves ne sont pas capables de lire des textes  simples, de reconnaître des informations ou de comprendre la signification d’un extrait d’un texte, alors  leurs compétences en lecture ne suffisent pas, ceci réduit donc leurs chances de réussite et augmente la probabilité d’abandon et d’échec scolaire.

Graphique 2Classe 3 : Lecteurs partiels

Le groupe d’élèves appartenant à cette classe représente 14% de notre échantillon. Leur niveau en lecture est moyen, à cause des difficultés qui sont peut être liées soit à une extrême lenteur d’exécution des tâches, soit au fait qu’ils n’ont acquis qu’une partie des apprentissages fondamentaux. En effet, ces élèves ont des grandes probabilités de répondre seulement aux quatre premières questions. On parle parfois dans la littérature de lecteurs émergents. Il s’agit du prélèvement et du repérage d’une information explicite sachant que la question reprend littéralement les termes employés dans le texte. Ils ne sont pas aptes à construire une information ou à trouver la réponse  si la question comporte une difficulté particulière. Peut-être que ces élèves commettent de nombreux contresens, notamment dans la compréhension globale d’un texte. Ce sont là des élèves pour lesquels existent des problèmes de lecture très spécifiques et qui demandent une attention toute particulière.

Classe 4 : Lecteurs créatifs

La classe 4 représente seulement 5% de l’effectif des élèves qui ont suivis le test. Elle se caractérise par la capacité à construire une information à partir d’un texte (Répondre par rédaction) et la non aptitude à répondre aux questions QCM (Questions faciles du test).  Ce groupe d’élèves peut être considéré comme étant en difficulté partielle de lecture et pour lesquels la situation est « moins préoccupante ». Ces élèves ne sont pas à l’aise avec les QCM mais réussissent bien aux items faisant appel aux aptitudes créatives.

Classe 5 : Lecteurs ayant besoin d’aide

Cette classe présente une proportion de 16%, elle correspond aux élèves qui sont capables de repérer une information simple, mais qui exécutent peut être les tâches de recherche d’information dans un texte de façon peu précise. Ces élèves ont moins de chances de réussir les premiers items par rapport aux élèves de la classe 3.

Classes issues de l’analyse des données socio-économiques au Cameroun

La classification des élèves au Cameroun selon les variables socioéconomique relève cinq classes homogènes :

Classe 1 : Elèves issus des ménages pauvres mais alphabétisés.

Les élèves issues des ménages pauvres mais alphabétisés représentent 22% de l’effectif des élèves. Cette classe a été qualifiée ‘d’Elèves issus des ménages pauvres mais alphabétisés’ parce qu’elle incarne les élèves dont les parents pauvres en termes de nombre de bien possédés, des élèves qui n’ont pas bénéficiée du préscolaire (Maternelle), qui ont une mère alphabétisée, possèdent des manuels scolaires en classe et parlent la langue du test  à la maison.

Classe 2 : Elèves issus de familles vulnérables et alphabétisées

Ce groupe est composé de 204 élèves (8% de l’échantillon), il se caractérise par la pauvreté de la famille de l’élève, donc l’incapacité de mettre à la disposition des élèves les manuels scolaires, la fréquentation d’une école publique, en revanche, la mère sait lire et l’élève lit, avec une langue d’enseignement (français ou anglais) qui n’est pas beaucoup utilisée à la maison.

Classe 3 : Elèves issus de familles vulnérables et analphabètes

Cette classe représente 20% de la population des élèves enquêtés (soit 510 élèves), elle se caractérise par des grandes probabilités d’appartenir à la catégorie très pauvres, d’étudier dans des écoles publiques et de ne pas fréquenter le préscolaire. Elle se caractérise aussi par l’utilisation d’un langue à la maison autre que celle du programme scolaire. Ce groupe d’élève représente la classe extrême qui a besoin d’aide.Figure_4

Classe 4 : Elèves issus des ménages moyens et alphabétisés

La majorité des élèves de l’échantillon se trouvent au sein de cette classe (30%), elle est nommée ‘Elèves issues des ménages moyens’. L’examen de ces  élèves issus des ménages pauvres révèlent à peu près le même profil que celui retrouvé dans la classe 1, avec des probabilités assez moyennes d’appartenir à la catégorie pauvre. La spécificité de cette classe par rapport  à la deuxième classe, est qu’elle contient des élèves qui ne parlent pas la même langue que celle du test à la maison.

Classe 5 : Elèves issus de familles riches et alphabétisées

Cette classe est qualifiée ‘Elèves issus de familles riches et alphabétisées’ car elle se caractérise par des ménages riches (qui possèdent tous les biens nécessaires), dont les élèves ont pu assister à des cours préscolaires, qui possèdent des livres et des manuels scolaires, dont les mères sont alphabétisées, lisent à la maison,  inscrits dans des écoles privés et parlent à la maison la même langue que celle de l’école. Ce groupe représente 20% des élèves sélectionnées pour le test, c’est un groupe extrême opposé à celui de la classe 3.

On trouve parmi les élèves appartenant à la classe des pauvres mais dont les familles sont alphabétisées 37% des non lecteurs contre 63% des lecteurs. On remarque aussi que pour la classe des élèves issues de familles riches et alphabétisés 22,5% des élèves seulement appartiennent à la catégorie des non lecteurs. Le pourcentage des non lecteurs dans la classe des élèves issues de familles très pauvres et analphabètes est égal à 58,3% contre 41,7% des bons lecteurs (cf. Figure 4).

Analyse des transitions latentes pour les données PASEC du Cameroun

L’analyse des transitions latentes permet de mesurer les changements d’états dans le temps (de non lecteur à lecteur par exemple). Un état est caractérisé par l’appartenance à une classe. Les probabilités conditionnelles ont la même interprétation que dans le cas de l’ACL. Bien que l’on doive avoir normalement des probabilités propres à chaque état (Time 1 and time 2), on a impose que ces probabilités soient égales pour faciliter l’interprétation des classes (equal across in the two times), les trois classes latentes s’interprète de la manière suivante :

Classe 1 : Lecteurs

Cette classe représente 31% des élèves au début de l’année scolaire, et 51% à la fin de l’année. Elle se caractérise par des grandes probabilités de réussir toutes les items de la lecture, ce sont les items les plus faciles du test selon l’indice de difficulté.

Classe 2 : Lecteurs partiels

Ce groupe est de 51% au début et 34% à la fin de l’année scolaire, Les élèves appartenant à cette classe parviennent à répondre seulement aux deux premiers items de la lecture.

Classe 3 : Non lecteurs

Cette classe est nommée « non lecteurs », parce qu’elle incarne les élèves qui non pas pu répondre à aucun items parmi les items. Cette classe représente 17% au test initial et 16% au test final.

Il existe un changement des prévalences des classes latentes entre le début et la fin de l’année scolaire. En effet, on a noté une augmentation de la proportion des élèves lecteurs de 31% au test initial à 50% au test final, une diminution de la proportion des lecteurs partiels de 51% à 34%. En revanche on remarque une stagnation de la proportion des élèves non lecteurs (17% au début et 16% à la fin de l’année).

La conclusion qu’on peut tirer de cette première analyse, c’est que les élèves ayant un niveau moyen en lecteur ont -peut-être- la possibilité de transiter vers la classe des lecteurs alors que les non lecteurs au début de l’année restent à la même situation à la fin de l’année scolaire. Cela rejoint les conclusions faites par ailleurs, à savoir que la lecture n’est plus enseignée dans les classes en 5ème année et les élèves non lecteurs ne peuvent donc pas progresser (cf. figure 5).
Figure_5

Les élèves qui appartiennent à la classe des lecteurs au début d’année scolaire ont une grande chance de ne pas changer de statut à la fin d’année avec une probabilité de 0,72, les probabilités de transiter vers la classe des lecteurs partiels et vers la classe des non lecteurs sont faibles (0,18 et 0,11 respectivement).

La probabilité de passer d’un statut de non lecteurs vers un statut des lecteurs est de 0,45, et vers un statut des lecteurs partiels est de 0,28, la possibilité de ne pas changer de classes est égal à 0,28. Il y a presque ½ de chance que les élèves appartenant à la classe des lecteurs partiels ne changent pas de classes, alors que la probabilité de transiter vers une classe des lecteurs est de 0,38.

L’analyse des résultats des transitions latentes montre que peu d’élèves ont régressé d’un niveau élevé (Lecteurs) vers un niveau lecteurs partiels. On déduit aussi que l’augmentation des élèves lecteurs est due principalement à la transition des élèves non lecteurs puis lecteurs partiels, même si l’enseignement de la lecture n’est pas un objectif du programme à ce niveau.

Synthèse et bilan : valeur ajoutée de l’ACL

L’application de l’ACL pour la classification des élèves en niveau scolaire au Cameroun fonctionne bien. Elle nous a permis de regrouper les élèves selon leurs niveaux de compétences et d’estimer presque parfaitement la proportion d’élèves non lecteurs 49,3% en confrontant nos prévisions sur les résultats des tests individuels à l’oral.

Pour tous les modèles testés, l’ACL donne souvent un nombre impair de classes, ce qui remet en cause la règle de compétences acquises et non acquises.

Notons aussi que les classes de langues et de mathématiques construites par l’ACL correspondent aux échelles de compétences faites à priori. L’ACL est donc utilisable pour créer a posteriori des échelles de compétences lorsque celles-ci n’ont pas été formalisées au moment de la création des tests (cas du PASEC notamment). Au Ghana, la classification ne fonctionne pas bien avec le même nombre d’items qu’au Cameroun. Cela peut être dû à la nature du test (QCM) et au nombre d’observations, on en déduit que (dans notre cas) pour avoir un bon modèle à classes latentes, il faut choisir un nombre maximum d’items respectant la contrainte de N/W.

La classification des élèves du Cameroun montre qu’il existe deux dimensions importantes qui peuvent agir sur l’apprentissage des acquis : la pauvreté et l’analphabétisme des parents. Parmi les cinq classes relevées par l’ACL, quatre classes d’élèves se caractérisent par la pauvreté et la vulnérabilité, ce qui correspond à 80 % des élèves de notre échantillon. Seulement deux classes d’élèves ont des parents alphabétisés.  Ceci peut être nouveau par rapport aux études déjà réalisées. En effet, l’ACL nous a permis de faire ressortir cinq profils d’élèves : élèves issus des ménages pauvres mais alphabétisés, élèves issus de familles vulnérables et alphabétisées, élèves issus de familles vulnérables et analphabètes, élèves issus des ménages moyens et alphabétisés et enfin les élèves issus de familles riches et alphabétisées. Ainsi, un des objectifs principaux de ce projet de fin d’études est de voir si l’ACL permet de prédire la proportion des bons lecteurs à partir des tests écrits sans avoir recours à des tests oraux, l’ACL a permis de bien classifier environ 75% des élèves, alors que 25% des élèves sont mal classés, ce qui peut être expliqué, soit par les erreurs de mesure lors du test à l’oral, soit par la nature des items choisis.

Enfin l’analyse des classes latentes sur les données PASEC collectées au Cameroun  en 2006 montre que les élèves non lecteurs en début de 5ème année ont peu de chance de progresser en cours de l’année, ce qui montre que la lecture est peu enseignée à ce niveau. Ce résultat rejoint les observations réalisées lors de l’évaluation nationale en 2011 où d’importants problèmes de lecture ont été observés chez les élèves et dans la méthodologie d’enseignement (cf. Tableau 2).

RECOMMANDATIONS 

A partir des résultats obtenus et d’une réflexion propre intégrant les derniers chantiers de la société Varlyproject, nous pouvons formuler un certain nombre de  recommandations comme suit :

  • La détermination des élèves en difficulté en lecture peut être effectuée avec un nombre réduit d’items appartenant au domaine de la lecture et sélectionnés de façon à respecter les hypothèses de base de l’ACL, notamment l’indépendance locale.
  • Les résultats de l’ACL vont permettre aux décideurs d’identifier les élèves ayant des besoins précis et développer des approches  pédagogiques en fonction de leurs profils afin d’améliorer les compétences et les acquis visés pour un niveau donné.
  • En plus de la qualité de classification, l’ACL permet de spécifier les types des difficultés rencontrées par l’élève, ce qui facilite la détection de la nature des problèmes et la faculté d’y remédier en fonction de la classe d’appartenance de l’élève.
  • La réalisation d’un test simple avec moins d’items au début et à la fin d’année et l’utilisation de l’analyse des transitions latentes (ATL) va permettre l’évaluation du progrès des élèves. Ainsi, on va donner la possibilité aux décideurs de quantifier les objectifs d’un programme au cours d’une année scolaire pour chaque niveau, de cibler la catégorie des élèves en grandes difficultés et de voir si les objectifs visés au début ont été atteints.
  • Les causes des difficultés d’apprentissages sont multiples (Retard mental, démotivation, milieu sociale et économique, façon d’apprentissage,  …), ces causes peuvent être non mesurables, la manière d’y remédier nécessite la détermination et la caractérisation des élèves en question, par exemple on peut classer ces élèves selon leurs appartenances à un milieu : favorable à l’éducation, peu favorable ou défavorable. L’outil utilisé dans ce projet de fin d’études permet de résoudre cette problématique grâce à un questionnaire simple avec des questions bien ciblées qui vont être destinées aux élèves ou à leurs parents au début de chaque rentrée scolaire.
  • Application à la construction d’un test de calcul mental.
  • Applicable pour les études sur les ménages, par exemple : la détermination des ménages alphabétisés.
  • Application aux ciblages du programme TAYSSIR et à l’identification des élèves en difficultés.
  • Application à l’identification des enfants à besoins spécifiques (Handicap).

Développement de l’ACL :

Au Maroc, le programme Tayssir est actuellement ciblé au niveau des communes INDH et les subventions sont octroyées à tous les ménages d’une commune. Dans le cadre de la réflexion en cours sur une plus grande efficience, nous pouvons suggérer l’utilisation des classes latentes pour déterminer les caractéristiques des ménages susceptibles de prédire des problèmes de scolarisation d’un enfant ou plus dans le ménage. Sur la base de la littérature internationale et propre au Maroc, nous suggérons d’utiliser l’ACL sur les indicateurs suivants (possession de certains biens et accès à des équipements : eau courante, électricité, toilettes, frigo, voiture, type d’habitats, niveau d’instruction de la mère, famille monoparentale, nombre d’enfants dans le ménage, présence d’un enfant à besoins spécifiques) et d’exploiter les résultats des enquêtes ménage pour définir sur une base empirique des critères de ciblage de l’appui social au Maroc.

La société est également employée par l’UNICEF pour conduire une étude sur les enfants non scolarisés à Djibouti dans le cadre d’une initiative OOSCI intégrant des pays africains mais aussi du Moyen Orient et de l’Afrique du Nord (dont le Maroc). L’étude va s’appuyer sur différentes enquêtes ménages et se focaliser également sur la question du handicap. Nous pensons que l’ACL, peut être appliquée au test de mesure du handicap dit Screening Instrument de l’OMS afin de classer les enfants en besoins spécifiques en handicap léger et lourds ou qui cumulent les difficultés.

On estime actuellement à un milliard le nombre de personnes souffrant d’Handicaps dans le monde et à 33% la proportion d’enfants non scolarisés dans une situation de handicap. Nous pensons que l’ACL peut être utilisée pour créer sur une base empirique des échelles de handicap qui puisse être appliquée dans différents situations.

Abdallah Abarda, Pierre Varly

Pour aller plus loin :

A cette fin nous présentons quelques articles qui détaillent l’utilisation de l’ACL associée aux Screening Instruments :

Jenkins discute de la mise au point d’outils universels de détection des problèmes en lecture

Dix présente des méthodes d’identification des enfants ayant des problèmes de santé mentale

Kreuter & al discute de l’intérêt des méthodes ACL pour tester la fiabilité des réponses à un sondage

Seong-A discute de l’intérêt des méthodes ACL pour déterminer le retard de dévelopement.

Geary & al propose un outil de prédiction des aptitudes en mathématiques basés sur la maîtrise des ensembles de nombre

Ce dernier article s’insère dans la réflexion sur la construction simple et rapide d’un test de mathématiques qui puisse être utilisé dans différents contextes (Early Grade Mathematics Achievement, EGMA). Nous pensons là encore que l’ACL possède un fort potentiel.

Ce document ne comporte pas le détail du projet, n’hésitez pas à consulter le rapport complet avec une base bibliographique.

Si vous avez des questions, des remarques, des suggestions etc. vous pouvez nous contacter ou poser des questions dans les commentaires.

Laisser un commentaire »

Aucun commentaire pour l’instant.

RSS feed for comments on this post. TrackBack URI

Laisser un commentaire

Entrez vos coordonnées ci-dessous ou cliquez sur une icône pour vous connecter:

Logo WordPress.com

Vous commentez à l'aide de votre compte WordPress.com. Déconnexion / Changer )

Image Twitter

Vous commentez à l'aide de votre compte Twitter. Déconnexion / Changer )

Photo Facebook

Vous commentez à l'aide de votre compte Facebook. Déconnexion / Changer )

Photo Google+

Vous commentez à l'aide de votre compte Google+. Déconnexion / Changer )

Connexion à %s

Propulsé par WordPress.com.

%d blogueurs aiment cette page :