Le SIGE que personne n'a appelé une base de données

Tout ce qu’a enseigné ce cours était cadré autour d’un système d’information sanitaire. Les concepts ne portent pas sur la santé, et ce laboratoire le prouve — un registre de présence scolaire a des éléments de données, des unités d’organisation, des périodes et un problème de complétude, et personne ne l’a jamais décrit ainsi.

Le faire n’est pas un exercice académique. Dès que vous savez nommer le niveau d’unité d’organisation et le taux de rapportage, les chiffres cessent d’être discutables — ce qui est tout l’objet du vocabulaire.

Les fichiers

school-roster-2024.v1.csv — 1 202 lignes couvrant 1 200 élèves de 24 écoles. school-attendance-2024.v1.csv — 70 245 marques de présence journalière sur 60 jours de classe. Synthétiques tous deux, et porteurs de défauts que des cours antérieurs ont nommés.

Préparez d’abord

Un projet RStudio, les deux fichiers en lecture seule, un répertoire outputs/, et un script qui s’exécute de bout en bout depuis une session neuve.

Première partie — décrivez le système

Rédigez le modèle de données que ce registre implique, dans le vocabulaire du cours. C’est un document court et c’est le premier livrable.

• Les éléments de données. Il y en a au moins un et sans doute trois. Nommez-les, dites ce que chacun compte, et donnez à chacun un opérateur d’agrégation entre périodes et entre unités d’organisation. Au moins un ne doit pas être sommé.
• La hiérarchie d’unités d’organisation. Élève, école, et quoi au-dessus ? Dites quel niveau est l’unité d’analyse et quel niveau est l’unité de rapportage — ce ne sont pas les mêmes, et cette différence est le laboratoire.
• Le type de période. Le registre est journalier. Sur quel type de période cela serait-il collecté dans un système réel, et qu’est-ce que cela fait aux lignes journalières ?
• L’ensemble de données. Quelles unités sont censées rapporter, selon quel calendrier, et comment le sauriez-vous ?

Deuxième partie — bâtissez l’image de la complétude

Calculez, au niveau école-mois :

• les rapports attendus, les rapports effectifs et le taux de rapportage
• les mêmes trois au niveau école-jour, en disant lequel des deux un rapport devrait citer
• le taux de rapportage par école, du pire au meilleur

Deux écoles ont quinze jours de classe sans aucune ligne. Dans le vocabulaire de ce cours, dites précisément ce que c’est — une défaillance de complétude, une période qui ne devrait pas exister, ou un problème d’affectation d’unité d’organisation — et défendez votre choix. La réponse détermine tous les chiffres qui suivent.

Troisième partie — le taux de présence, de trois façons

Produisez trois taux de présence pour le district, exactement comme la leçon 3 produisait trois taux de couverture :

• marques de présence sur marques enregistrées
• marques de présence sur élèves inscrits multipliés par tous les jours de classe
• marques de présence sur élèves inscrits multipliés par les jours d’ouverture de leur propre école

Rapportez les trois avec leurs dénominateurs, et dites lequel a sa place dans un rapport au bureau de l’éducation, et pourquoi. Dites ensuite lequel des trois une requête naïve contre un vrai SIGE renverrait, et ce qu’il faudrait configurer pour qu’il renvoie le bon.

Quatrième partie — qu’a-t-on compté

Rédigez le bloc de provenance de la leçon 8 pour le chiffre retenu à la troisième partie. Sept champs, chacun rempli à partir des données et non d’une supposition. Les champs Out of what et Completeness sont ceux qui prendront le plus de temps et ce sont ceux qui sont évalués.

Ce qu’il faut rendre

Un script R, exécuté depuis une session neuve, produisant :

• la description du modèle de données sous forme de tableau affiché, une ligne par élément de données, avec les opérateurs d’agrégation
• les tableaux de complétude de la deuxième partie
• les trois taux de présence avec dénominateurs et n
• le bloc de provenance sous forme de fichier texte dans outputs/

Vérifiez vos chiffres

	Attendu
Jours de classe du trimestre	60
Écoles	24
Élèves inscrits	1 200
Marques de présence	70 245 lignes, dont certaines ne sont pas des marques utilisables
Écoles avec moins de 60 jours de lignes	2

Si votre décompte d’élèves inscrits vaut 1 202, les lignes en double de la liste sont encore là et tout dénominateur par élève est faux.

Les questions à traiter en prose

Trois phrases chacune.

1. L’un de vos éléments de données ne doit pas être sommé entre périodes. Nommez-le, dites quel devrait être son opérateur d’agrégation, et donnez le chiffre qu’il produit s’il est sommé sur le trimestre.

2. Les deux écoles aux jours manquants relèvent d’un problème de complétude sous une lecture et d’un problème de période sous une autre. Dites laquelle vous avez retenue, et ce que l’autre lecture ferait aux taux de présence de ces deux écoles.

3. Vos trois taux de présence diffèrent. Dites lequel un SIGE renverrait par défaut, si c’est celui dont le bureau de l’éducation a besoin, et l’écart entre eux en points de pourcentage.

Comment savoir que c’est fini

Supprimez outputs/, redémarrez R, un seul source(), et tout se régénère à l’identique. Votre bloc de provenance ne comporte aucun champ « inconnu », et chaque dénominateur de votre sortie énonce le nombre d’unités qui le sous-tend.

Ce que ce laboratoire n’est pas

Ce n’est pas de la statistique de l’éducation. Les taux bruts et nets de scolarisation, la survie jusqu’à la dernière année et ce que signifie un taux de présence pour les apprentissages relèvent du contenu éducation. Ce laboratoire porte sur le modèle de données de routine — nommer ce qui est compté, à quel niveau et sur quelle période, dans un système jamais décrit comme tel, et prouver que le vocabulaire se transfère.