1 – Introduction

1Il est admis que dans tous les pays, la qualité de l’éducation détermine celle du capital humain, indicateur du niveau de développement et facteur essentiel pour la croissance (Romer (1986), Lucas (1988)). Par la diffusion d’externalités positives, l’éducation favorise l’essor de la productivité, l’attrait des investissements étrangers, avec les transferts de technologies que cela suppose.

2Les efforts consentis dans le domaine de l’éducation visent dans beaucoup de pays, après la généralisation de l’enseignement, à améliorer le rendement scolaire des élèves. En consacrant à l’éducation des ressources humaines et financières importantes, les pays cherchent ainsi à doter leurs jeunes de compétences pour participer activement au développement économique et social.

3De manière générale, les préoccupations relatives à la qualité de l’éducation concernent à la fois les pays avancés et ceux en développement. Au Maroc, plusieurs efforts ont été déployés pour rehausser le niveau de l’éducation. Ces efforts s’inscrivent dans le cadre d’une réforme du système éducatif qui remonte à 2000 [1] et qui propose un faisceau d’actions à mener à différents niveaux pour une refonte profonde des processus d’éducation et de formation.

4Or, l’état de l’enseignement des mathématiques au Maroc laisse apparaître de fortes lacunes aussi bien au niveau quantitatif que qualitatif. Au niveau de la scolarisation, le Maroc est largement en retard par rapport à plusieurs pays comparables. En effet, le taux net de scolarisation en secondaire ne dépasse pas 34,51 % au Maroc en 2003, alors qu’il est de 64,88 % en Algérie, 65,83 % en Tunisie et 80,26 % en Jordanie. Au niveau du primaire, et malgré les efforts consentis par le pays, le taux net de scolarisation est de 89,71 % en 2009 au Maroc, alors qu’on enregistre 93,83 % en Algérie, 93,30 % en Égypte et 98,42 % en Tunisie (Base de données SESRIC). D’autre part, si le taux d’alphabétisme ne dépasse pas 56,1 % au Maroc en 2009, il est de 72,6 % en Algérie, 89,6 % au Liban et de 92,2 % en Jordanie (PNUD 2011) [2].

5Par ailleurs, les inégalités en matière de scolarisation entre les milieux urbain et rural sont flagrantes au Maroc. Si le taux de scolarisation des jeunes âgés de 15 à 17 ans est de 76 % en milieu urbain, il n’est que de 21,8 % en milieu rural en 2009 (Ministère de l’Éducation Nationale, 2010).

6S’agissant de la qualité de l’éducation, avec une moyenne nationale de 387, le Maroc a occupé la 45^e place parmi les 50 pays participants au TIMSS (Trends in International Mathematics and Science Study). Ce score reste inférieur à ceux de plusieurs pays comparables au Maroc : 410 pour la Tunisie, 433 pour Liban, 406 pour l’Egypte et 424 pour la Jordanie (IEA(2003)), sachant que la moyenne internationale s’établit à 467.

7Pour contribuer à la compréhension de cette situation, cet article a pour objet d’analyser les déterminants du rendement scolaire en mathématiques chez les élèves de la 2^e année de l’enseignement secondaire collégial.

8Les résultats de cette étude ont une visée opérationnelle dans la mesure où ils peuvent contribuer à éclairer les décideurs en les aidant à identifier les causes des faiblesses du rendement scolaire des élèves au Maroc et partant, à mieux définir les actions correctives à entreprendre [3].

9Le présent travail est basé sur les données du TIMSS [4] 2003 appliqué au Maroc, sur un échantillon de 1 140 élèves appartenant à 68 établissements scolaires [5]. Nous avons regroupé les variables dont nous disposons en trois catégories : les variables individuelles ; les variables familiales et celles liées au contexte scolaire. Pour tenir compte de la structure hiérarchisée des données, du fait de la présence des variables scolaires, il s’avère opportun de recourir à l’application d’un modèle multiniveaux.

10Dans une première section, nous présentons un bref récapitulatif de la revue de la littérature relative aux déterminants du rendement scolaire. La seconde est consacrée à la description des données utilisées et aux enseignements des traitements préliminaires opérés. La troisième section établit les liens entre la nature de ces données et les outils de modélisation adaptés, à l’image d’autres travaux (Arrègle (2003), Goldstein (1999), Michaelowa (2000), Bryk, A.S. et S.W. Raudenbush (1992)). La dernière section expose les résultats des estimations obtenues avec leurs analyses ainsi que les principales conclusions.

2 – Les enseignements de la revue de la littérature

11Plusieurs études portant sur le rendement scolaire ont recouru, par analogie avec d’autres secteurs, à l’approche via une « fonction de production en éducation ». On y considère l’existence d’un certain nombre de facteurs (qui constituent des inputs) qui, avec une série d’activités et de pratiques, produisent un rendement scolaire (output).

12Ces études retiennent comme inputs de la fonction de production en éducation, trois catégories de variables. La première concerne les caractéristiques individuelles des élèves telles que le sexe, l’âge, l’intelligence, la motivation, la perception de soi etc. La deuxième catégorie d’inputs, basée sur des variables liées à l’environnement familial des élèves, retient le niveau d’instruction des parents, la disponibilité des biens d’équipement et du matériel pédagogique au sein du ménage, la langue pratiquée au sein de la famille, la taille de la famille, etc. Enfin, les variables liées au contexte scolaire prennent en compte les caractéristiques de l’enseignant (formation, motivation…), celles de l’école telles que la taille des classes, les équipements et pratiques pédagogiques… ces variables peuvent en effet influer significativement sur les performances des élèves.

13Les résultats auxquels ont abouti les recherches sur les déterminants du rendement scolaire ne sont cependant pas consensuels. Coleman et al (1966) indiquent que ce sont les caractéristiques du milieu familial des élèves et non les ressources mises à la disposition des écoles qui jouent un rôle important dans l’explication du rendement scolaire. Parmi les variables du milieu familial, les chercheurs accordent une grande importance au niveau d’instruction de la mère (Mingat et Perrot (1980), Cooksey (1981), Duru-Bellat (2003), Diallo (2001)). Ces chercheurs ont démontré que les résultats scolaires sont meilleurs chez les enfants dont les parents sont instruits. Hirji, Montmarquette et Mourji (1995) ont trouvé des résultats nuancés dans le cas du Maroc ; l’éducation de la mère n’a pas un pouvoir explicatif significatif des performances scolaires des enfants. Cela tient au fait que sur l’échantillon étudié (dans une grande ville, Rabat en 1993), les femmes ayant un niveau d’éducation étaient facilement engagées dans la vie professionnelle et confiaient le suivi et l’accompagnement de leurs enfants à des aides ménagères, souvent analphabètes.

14La disponibilité des biens d’équipement au sein du ménage apparaît également significative dans l’explication du rendement scolaire. Dans l’ensemble des pays de l’OCDE, la possession de divers biens matériels (bureau, ordinateur, dictionnaire…) est corrélée positivement et significativement au rendement scolaire (OCDE, 2001).

15Par contre l’effet des ressources de l’école sur la réussite scolaire est faible ; à peine plus de 1 % de la variance expliquée (Hanuschek (1979, 1986)). De plus, à ce niveau, les résultats sont souvent contradictoires.

16Contrairement aux résultats trouvés par Coleman et al (1966), dans une étude menée dans plusieurs pays développés, Cherkaoui (1979) montre l’importance des variables scolaires. Sans nier l’effet de l’environnement familial, car les enfants issus des milieux aisés s’inscrivent souvent dans les meilleures écoles [6], cet auteur insiste sur l’effet du type d’établissement et du processus d’évaluation sur le rendement scolaire des élèves.

17Généralement, les « effets établissements » varient fortement d’une recherche à l’autre. Ainsi, Bressoux (1994) relève que les résultats de recherches au niveau international montrent que les « effets établissements » expliquent entre 2 et 13 % de la variance des scores entre les élèves, alors que pour Duru-Bellat (2003) la part de ces effets porte sur 8 à 15 %.

18Parmi les facteurs liés au contexte scolaire, les chercheurs insistent généralement sur l’importance des caractéristiques organisationnelles des écoles d’une part, et la formation et la motivation des enseignants d’autre part.

19De nombreuses recherches ont montré l’importance des variables individuelles dans l’explication du rendement scolaire. Dans une étude menée au Togo, Jarousse et Mingat (1992) ont trouvé que les variables individuelles des élèves contribuent pour près de 57,5 % de la variance expliquée, alors que celles liées à l’environnement familial ne représentent que 10,2 %. Dans le même sens, les chercheurs insistent sur l’effet prépondérant du fonctionnement intellectuel des enfants sur leur réussite scolaire. Gilly (1969) précise même que, de toutes les formes d’intelligence, la forme verbale est celle qui permet d’établir le meilleur pronostic de la réussite aussi bien au niveau primaire que dans l’enseignement secondaire. De plus, les corrélations trouvées entre des tests d’intelligence et la réussite scolaire à l’école primaire se situent entre 0,70 à 0,75. Au Maroc, Hijri et al. (1995) ont constaté que le fonctionnement intellectuel, estimé à partir du résidu d’une équation expliquant le rendement scolaire de la 5^e année du primaire, joue un rôle essentiel dans l’explication du rendement au baccalauréat. En plus du fonctionnement intellectuel, les chercheurs insistent sur les autres caractéristiques individuelles (âge, sexe, motivation, etc.) [7].

20Au Maroc, la question du rendement scolaire reste peu étudiée et les approches quantitatives sont rares dans ce domaine [8] ; il en est de même du recours aux modèles multiniveaux, quasi absents dans les travaux. Le présent travail a, d’une part, l’ambition d’enrichir les recherches portant sur l’éducation et, d’autre part, d’appliquer ces modèles qui restent les plus adaptés dans un tel contexte.

3 – Présentation des données

21Nos analyses portent sur un échantillon de 1 140 élèves de la 2^e année de l’enseignement secondaire collégial au Maroc, appartenant à diverses régions regroupées en cinq strates [9].

22Les informations issues de l’enquête TIMSS sont riches et diversifiées. Nous avons retenu les variables auxquelles la littérature accorde une grande importance, on y retrouve les trois catégories de variables mentionnées plus haut.

4 – Présentation du modèle

31Les données de l’échantillon constitué ont une structure hiérarchisée. Elles comprennent à la fois les informations relatives aux élèves et celles propres aux écoles. Or, les modèles multiniveaux permettent de modéliser les différences non seulement entre les « micro-unités » (les élèves dans notre cas), mais aussi entre les « macro-unités » (les écoles ici) (Paterson et Goldstein, 1991). L’analyse peut donc à chaque fois fixer un aspect pour appréhender l’effet de l’autre.

32Nous sommes donc face à des variables mesurées à différents niveaux (Figure 1).

Figure 1

Schéma représentatif des relations entre les variables explicatives et la variable « performance », objet de l’étude

Schéma représentatif des relations entre les variables explicatives et la variable « performance », objet de l’étude

33Cette pluralité de niveaux d’analyse au sein d’un même modèle pose le problème du non respect de deux hypothèses essentielles, à savoir l’indépendance des observations et l’homoscédasticité [11].

34Cela implique des biais au niveau de la mise en œuvre des tests associés à la méthode des moindres carrés ordinaires (MCO). Comme le décrit Arrègle (2003), le fait d’ignorer la structure hiérarchisée des données conduit à des écarts-types estimés plus faibles, ce qui augmente le risque de considérer les relations entre la variable dépendante et les variables du niveau supérieur (écoles) comme étant significatives alors qu’elles ne le sont peut-être pas (en pratique la statistique de Student est dans ce cas surestimée).

35Pour surmonter les insuffisances de la méthode des MCO, les modèles multiniveaux s’avèrent efficaces dans ces cas. Ils remédient au problème de l’homoscédasticité, en introduisant une hypothèse plus faible, selon laquelle la variance des résidus peut varier comme une fonction linéaire ou non linéaire des variables explicatives (Snijders et Bosker, 1999).

36Soit le modèle suivant :

37

38Où R_ij et X_ij représentent respectivement le rendement scolaire en mathématiques et un vecteur de variables caractérisant l’élève i qui étudie dans l’école j. ?₀ représente la constante, ?₁ est le vecteur des coefficients des diverses variables exogènes et ?_ij représente une erreur aléatoire associée à chaque individu i de l’école j, supposée de moyenne nulle et de variance ?²_? (constante).

39Or, la relation entre R_ij et X_ij peut varier d’une école à l’autre. En effet, les variables individuelles ou de l’environnement familial ne jouent pas de la même manière selon les écoles. De subtiles interférences doivent exister ; par exemple, l’implication des parents dans le suivi des élèves diffère certainement selon les caractéristiques des écoles. Pour en tenir compte, il faut attribuer un indice j à ?₀ et à ?₁.

40Comme les variables R_ij et X_ij sont mesurées au niveau 1, le modèle devient alors :

41

42Étant aléatoires, ?_0j et ?_1j sont supposés distribués selon une fonction de probabilité (Kreft et De Leeuw, 1998).

43Ainsi, on peut écrire :

44

45Où ?₀₀ représente la constante moyenne pour toutes les écoles ; ?₁₀ la pente moyenne pour toutes les écoles ; ?_0j représente l’écart de chaque école à la constante (c’est une variable aléatoire de moyenne nulle et de variance ) ; ?_1j représente l’écart de chaque école à la relation moyenne (c’est une variable aléatoire de moyenne nulle et de variance ).

46Avec l’intégration des caractéristiques des écoles (vecteur W) (niveau 2) on trouve :

47

48En remplaçant les coefficients aléatoires ?_0j et ?_1j par leurs valeurs et en développant la factorisation, on obtient :

49

50En plus de l’estimation des effets des différentes variables sur le rendement en mathématiques, les modèles multiniveaux vont fournir des informations sur la partition de la variance entre les deux niveaux d’analyse (ici celui relatif aux caractéristiques de l’élève et celui de l’école).

51Le modèle multiniveaux répond au problème de l’hétérogénéité des groupes en estimant séparément les équations de régression pour chaque école puis en modélisant les variations entre les écoles selon leurs caractéristiques. Le modèle de niveau (1) va permettre de mettre en évidence les résultats relatifs à chaque école (en différenciant les élèves), alors que le niveau (2) analysera la variabilité inter-écoles [12].

5 – Résultats de l’estimation

5.1 – Estimation du modèle « vide »

52L’estimation d’un modèle, qui ne contient aucune variable explicative, permet de décomposer la variance totale des scores des élèves en mathématiques, en une partie inhérente au niveau « supérieur » (écoles) et l’autre attribuable au niveau « inférieur » (élèves). C’est selon l’importance de la valeur de la variance inter-écoles que l’opportunité du recours aux modèles multiniveaux est ou non justifiée. Dans l’affirmative, on procède à la seconde étape dans laquelle on introduit les variables explicatives.

53Les résultats de l’estimation du modèle « vide » figurent dans le tableau 1.

Tableau 1

L’explication du rendement en mathématiques à l’aide d’un modèle multiniveaux sans variables exogènes

Modèle vide Effets fixes Constante 393,58 (3,07) *** Effets aléatoires Niveau 2 : variance inter-écoles Niveau 1 : variance inter-élèves 438,26 (113,16) *** 3 254,41 (140,67) *** Pourcentage de la variance inter-écoles Pourcentage de la variance inter-élèves 11,87 % 88,13 % –2LogL 12 529,19

L’explication du rendement en mathématiques à l’aide d’un modèle multiniveaux sans variables exogènes

ns : non significatif ;*: significatif au seuil de 10 % ;* *: significatif au seuil de 5 % ;***: significatif au seuil de 1 % ; (les écarts-types estimés figurent entre parenthèses).

54Les résultats de l’estimation montrent que la variance inter-écoles représente 11,87 % [13] de la variance totale (le reste relève de la variance interindividuelle). Cette variance n’est pas négligeable et est significativement différente de zéro (t > 3). Elle traduit le rôle non négligeable des caractéristiques des écoles dans l’explication des performances des élèves au test TIMSS.

55L’étape suivante consiste donc à introduire les variables explicatives pour pouvoir raisonner « toutes choses égales par ailleurs », tout en tenant compte des effets fixes, dans l’interprétation.

5.2 – Estimation du modèle complet

56Après l’intégration des variables explicatives dont nous disposons, la part de la variance interindividuelle et celle de la variance inter-écoles ont fortement baissé. Le taux de baisse de la première est de 25,69 % et 21,79 % pour la seconde. Cette baisse tient au fait que les variables introduites expliquent fortement aussi bien les différences inter-écoles que celles inter-élèves.

57De même, la décroissance de la déviance (–2 LogL, L étant la statistique du maximum de vraisemblance) nous permet de juger de l’intérêt du passage du modèle « vide » au modèle complet.

58Suivant une loi de ?² à 41 degrés de liberté et ayant une valeur de 551,2 [14], cette décroissance s’avère significative. Ce qui confirme que les données sont mieux ajustées avec le modèle complet qu’avec le modèle vide. Le tableau 2 présente les estimations fournies avec le modèle complet.

Tableau 2

Analyse du rendement scolaire en mathématiques à l’aide du modèle complet : prise en compte de toutes les variables explicatives dans un modèle multiniveaux [15] [16] [17] [18]

Effets fixes Global (N=1 140) Urbain (N=928) Rural (N=212) Variables Coefficient Écart-type Coefficient Écart-type Coefficient Écart-type Constante 365,49*** 36,42 357,43*** 37,97 456,63*** 120,86 Les variables individuelles Sexe : Fille –12,28*** 3,36 –11,60*** 3,73 –12,52*** 8,36 Âge de l’élève –6,32*** 1,35 –5,56*** 1,47 –8,96** 3,69 Importance de la matière 0,42 ns 0,60 0,60 ns 0,66 –0,63ns 1,66

Attitude de l’élève envers son école –1,93** 0,77 –2,36*** 0,83 0,08ns 2,24 Sentiment de l’élève à propos de sa sécurité dans l’école 0,82 ns 2,04 1,38 ns 2,23 –2,13ns 5,30 Intégration de l’élève dans l’école 3,17 ns 2,67 3,38 ns 3,01 2,41ns 6,25 Confiance en soi pour étudier la matière 6,06*** 0,50 5,89*** 0,57 6,56*** 1,24 Niveau d’instruction espéré  – Avoir le bac et s’y arrêter –7,67* 4,24 –8,64* 4,69 –3,75ns 11,30  – Aller au-delà du bac Réf Réf Réf Réf Réf Réf  – L’élève ne sait pas –11,27*** 3,76 –12,10*** 4,13 –10,69ns 9,79 Utilisation de la calculatrice  – Jamais Réf Réf Réf Réf Réf Réf  – Parfois –9,97*** 3,32 –10,20*** 3,65 –8,13ns 8,61 – Toujours –9,17** 4,73 –6,68 ns 5,18 –19,73ns 12,39 Temps consacré aux devoirs à domicile – Moins d’une heure –10,57*** 3,72 –10,08** 4,12 –7,44ns 9,59  – Entre 1 et 2 heures –4,02 ns 3,64 –4,08 ns 3,99 3,16ns 9,62  – Plus de 2 heures Réf Réf Réf Réf Réf Réf Fréquence des cours particuliers  – Jamais 22,25*** 3,73 21,40*** 4,07 37,02*** 10,27  – Parfois 11,34*** 3,86 12,26 *** 4,31 12,64ns 9,44  – Une fois par semaine ou plus Réf Réf Réf Réf Réf Réf Les variables familiales Taille de la famille –0,005 ns 0,93 –0,14 ns 1,05 1,01ns 2,20

Disponibilité des biens d’équipement et du matériel pédagogique au sein du ménage 3,04*** 1,18 3,72*** 1,33 0,94ns 2,78 Utilisation de l’arabe dans la famille  – Jamais –4,89 ns 5,46 –2,26 ns 6,24 –12,77ns 12,75  – Parfois 3,82 ns 3,21 5,53 ns 3,51 –3,62ns 8,27  – Toujours Réf Réf Réf Réf Réf Réf Nombre de livres chez l’élève  – Peu (0–10 livres) Réf Réf Réf Réf Réf Réf  – Assez (11–25 livres) –3,01 ns 3,81 –2,86 ns 4,17 –6,84ns 10,18  – Davantage (26 livres ou plus) –5,17 ns 4,30 –6,00 ns 4,70 –1,14ns 11,53 Niveau d’instruction de la mère  – Analphabète ou sans certificat du primaire –0,50 ns 5,67 –7,97 ns 6,14 41,93** 16,24  – niveau supérieur au certificat primaire et moins du bac –11,08** 5,35 –16,27*** 5,76 20,98ns 16,00  – Bac ou niveau supérieur Réf Réf Réf Réf Réf Réf  – L’élève ne sait pas –6,75 ns 6,67 –14,17* 7,30 31,95* 18,42 Niveau d’instruction du père  – Analphabète ou sans certificat du primaire –6,97 ns 5,11 –3,02 ns 5,56 –23,78* 14,51  – Niveau supérieur au certificat primaire et moins du bac –5,11ns 4,50 –3,02 ns 4,87 –18,55ns 13,00  – Bac ou niveau supérieur Réf Réf Réf Réf Réf Réf  – L’élève ne sait pas –1,60 ns 5,11 –0,73 ns 5,48 –7,84ns 15,95

Les variables du contexte scolaire Milieu : Urbain 17,16** 9,00 — — — — Âge de l’enseignant  – Moins de 30 ans 30,46** 12,98 28,36* 14,54 –47,71ns 114,75  – Entre 30 et 39 ans 13,17 ns 8,45 14,57 ns 9,49 –42,17ns 77,01  – Entre 40 et 49 ans Réf Réf Réf Réf Réf Réf  – 50 ans ou plus15 –10,72 ns 11,47 –14,29 ns 12,08 — — Sexe de l’enseignant : Féminin16 11,20ns 8,09 9,23 ns 88,27 — — Ancienneté de l’enseignant (en années) 1,43* 0,83 2,13** 0,94 –2,14ns 3,10 Formation initiale  – Moins du bac Réf Réf Réf Réf Réf Réf  – Bac 3,69 ns 9,47 4,73 ns 10,42 74,90ns 89,06  – Plus du Bac 32,15 ns 21,34 43,80* 24,03 105,43ns 118,10 Formation professionnelle : Un an17 (Réf : 2 ans) –4,11 ns 14,92 –7,66 ns 16,78 — — Taille de la classe18 0,17 ns 0,20 0,26 ns 0,21 –1,12ns 1,75 Implication des familles dans les activités de l’école  – Très faible Réf Réf Réf Réf Réf Réf

 – Faible –0,57 ns 9,036 –2,71 ns 7,10 –39,93ns 46,88  – Moyenne –5,35 ns 9,724 1,80 ns 10,53 –81,67ns 89,66 Travail en groupes  – Jamais 4,96 ns 7,22 3,89 ns 7,55 –43,26ns 80,63  – Rarement Réf Réf Réf Réf Réf Réf  – Souvent 7,35 ns 8,65 4,86 ns 10,74 33,95ns 41,06 Effets aléatoires Niveau 2 : variance inter-écoles 342,74*** 96,36 306,27*** 100,7 1 060,43 1 271,02 Niveau 1 : variance interindividuelle 2 418,34*** 105,6 2 372,32*** 115,2 2 715,24*** 292,82 –2logL 11 977,99 9 687,23 2 029,80

Analyse du rendement scolaire en mathématiques à l’aide du modèle complet : prise en compte de toutes les variables explicatives dans un modèle multiniveaux [15] [16] [17] [18]

ns : non significatif ;* significatif au seuil de 10 % ;* * significatif au seuil de 5 % ;*** significatif au seuil de 1 %.

59Remarques :

1. Une comparaison des résultats obtenus ici avec ceux issus d’une estimation MCO montre qu’il n’y a pas de différences remarquables pour les variables de niveau (1) (l’élève et son milieu familial). Par contre, au niveau (2) (école, classe et enseignant) les différences sont significatives (Voir l’annexe 3). En effet, certaines variables qui sont significatives dans le cas de l’estimation MCO, ne les sont pas dans le modèle multiniveaux. C’est le cas de l’âge et sexe de l’enseignant et de sa formation initiale (modalité « plus du Baccalauréat »). D’autres variables sont significatives dans les deux modèles, mais à des degrés plus faibles dans le cas des MCO. Il s’agit de l’âge de l’enseignant (modalité « moins de 30 ans »), du milieu d’implantation de l’école et de l’ancienneté de l’enseignant. Cette comparaison confirme l’intérêt du recours aux modèles multiniveaux pour les données à structure hiérarchique.
2. Signalons que trois estimations alternatives ont été effectuées pour tester la stabilité des coefficients de la spécification retenue. La qualité globale de l’ajustement se révèle stable, puisque la significativité des variances inter-écoles et interindividuelles reste forte. Pour les variables exogènes prises isolément, le niveau des coefficients et leur signe ne changent pas, ainsi que leur significativité statistique (Voir l’annexe 4 pour les détails).

6 – Conclusion

85L’objet de notre étude était de comprendre les raisons, qui permettent aux enfants du collège d’assimiler correctement les concepts et techniques qui leur sont enseignés en mathématiques. Nous nous sommes basés sur les facteurs usuellement retenus dans la littérature pour expliquer les rendements scolaires. Il s’agit de variables individuelles, familiales et relatives au contexte scolaire. Pour tenir compte de la structure hiérarchisée des données, nous avons retenu un modèle multiniveaux, mieux approprié dans un tel contexte.

86Les résultats obtenus vont généralement dans le sens de ceux trouvés dans des études analogues réalisées dans des pays en développement. Comme pour les rendements scolaires globaux, les performances en mathématiques dépendent prioritairement des caractéristiques propres aux élèves et à leur famille. Par contre, peu de variables liées au contexte scolaire ont un effet significatif. Il s’agit du milieu d’implantation de l’école, de l’âge de l’enseignant et de son ancienneté.

87Ces résultats peuvent éclairer à la fois les décideurs et les familles pour concevoir des mesures susceptibles d’améliorer l’efficacité du système éducatif marocain. Ainsi, les parents doivent être vigilants envers leurs enfants. Il ressort en effet qu’un niveau élevé d’encadrement familial, d’encouragement et de gratification contribue à la motivation et à l’amélioration du rendement scolaire.

88Étant donné qu’il est difficile de doter les familles en biens d’équipement et en matériel pédagogique, une solution consisterait à généraliser les espaces collectifs spécifiques (bibliothèques, salles d’études…) au sein des établissements scolaires et de les équiper en biens et matériaux scolaires, pour contribuer à l’amélioration du rendement scolaire des élèves. Cela permettrait également d’atténuer les inégalités de chance entre élèves de milieux aisés et démunis.

89Les résultats montrent qu’une attention particulière doit être accordée au milieu rural (équipement des collèges en matériel pédagogique, conditions de vie des enseignants et internat, cantines scolaires…).

90Par référence au résultat relatif au rôle déterminant de l’expérience des enseignants, nous pensons que les inspecteurs devraient jouer un rôle d’accompagnement, d’encadrement et de soutien des enseignants et ne pas se limiter à leur évaluation.

91Par ailleurs, au niveau méthodologique, ce travail confirme l’intérêt du recours aux modèles multiniveaux pour répondre à des questions comparables et avec des données analogues.