Étude comparée de la formation initiale des enseignants du primaire au Québec et en Finlande

Depuis les années 1980, la formation des enseignants a fait l’objet de réformes majeures dans la plupart des sociétés développées, souvent en étant directement articulée à un processus de «professionnalisation» (Tardif, Lessard & Gauthier, 1998). La professionnalisation de l’enseignement est aujourd’hui considérée comme un mouvement international (OCDE, 2005). Dans cette recherche de maîtrise, nous analysons la mise en œuvre de la professionnalisation et son articulation à l’organisation des programmes de formation des enseignants du primaire dans deux contextes : Finlande et Québec. L’intérêt d’une comparaison du Québec avec la Finlande découle des enquêtes PISA 2000, 2003, et 2006, qui ont permis de faire reconnaître le système éducatif finlandais comme l’exemple d’un système performant qui combine avec succès la qualité, l’équité et la cohésion sociale (Sahlberg, 2007). Or, parmi les nombreuses raisons présentées pour expliquer ce succès, une des plus importantes serait la formation des enseignants. En Finlande les enseignants réalisent une formation initiale de 5 ans. Mais au Québec les enseignants sont aussi hautement éduqués : ils réalisent une formation universitaire de 4 ans après deux années d’études pré-universitaires. Dans les deux contextes, les enseignants complètent 17 ans de scolarité. Quelles sont les similitudes et les différences entre les programmes de formation des enseignants du primaire en Finlande et au Québec? Comment et en quoi ce processus de professionnalisation, comme tendance internationale, a-t-il marqué les systèmes de formation d’enseignants finlandais et québécois ? Peut-on dégager, à partir de cette comparaison, des éléments d’un système de formation à l’enseignement de meilleure qualité pour le Québec?

Training deep convolutional architectures for vision

Les tâches de vision artificielle telles que la reconnaissance d’objets demeurent irrésolues à ce jour. Les algorithmes d’apprentissage tels que les Réseaux de Neurones Artificiels (RNA), représentent une approche prometteuse permettant d’apprendre des caractéristiques utiles pour ces tâches. Ce processus d’optimisation est néanmoins difficile. Les réseaux profonds à base de Machine de Boltzmann Restreintes (RBM) ont récemment été proposés afin de guider l’extraction de représentations intermédiaires, grâce à un algorithme d’apprentissage non-supervisé. Ce mémoire présente, par l’entremise de trois articles, des contributions à ce domaine de recherche. Le premier article traite de la RBM convolutionelle. L’usage de champs réceptifs locaux ainsi que le regroupement d’unités cachées en couches partageant les même paramètres, réduit considérablement le nombre de paramètres à apprendre et engendre des détecteurs de caractéristiques locaux et équivariant aux translations. Ceci mène à des modèles ayant une meilleure vraisemblance, comparativement aux RBMs entraînées sur des segments d’images. Le deuxième article est motivé par des découvertes récentes en neurosciences. Il analyse l’impact d’unités quadratiques sur des tâches de classification visuelles, ainsi que celui d’une nouvelle fonction d’activation. Nous observons que les RNAs à base d’unités quadratiques utilisant la fonction softsign, donnent de meilleures performances de généralisation. Le dernière article quand à lui, offre une vision critique des algorithmes populaires d’entraînement de RBMs. Nous montrons que l’algorithme de Divergence Contrastive (CD) et la CD Persistente ne sont pas robustes : tous deux nécessitent une surface d’énergie relativement plate afin que leur chaîne négative puisse mixer. La PCD à "poids rapides" contourne ce problème en perturbant légèrement le modèle, cependant, ceci génère des échantillons bruités. L’usage de chaînes tempérées dans la phase négative est une façon robuste d’adresser ces problèmes et mène à de meilleurs modèles génératifs.