Les TIC motivent-elles les élèves du secondaire à écrire?
Notice bibliographique
Résumé
Dès le début du secondaire, la motivation des élèves québécois chute (Chouinard, 2007). On sait, par ailleurs, que la motivation à écrire compte parmi les plus importants déterminants de la compétence scripturale (Hayes, 1995). Puisque les logiciels utilitaires comme le traitement de texte sont associés à un plus grand sentiment d’autoefficacité (Newhouse, 2002), le fait d’avoir recours aux TIC pour développer la compétence à écrire permettrait-il de renverser cette tendance? Pour répondre à cette question de recherche, nous avons élaboré une méthodologie fondée sur la théorie de l’autodétermination de Deci et Ryan (2002). Nous avons rencontré 264 élèves d’une école secondaire de la banlieue de Montréal. Au début de la recherche, tous ont rédigé une production à la main. Par la suite, le mode de rédaction a été différencié : alors que les sujets des groupes témoins ont rédigé deux textes à la main, ceux des groupes quasi expérimentaux ont produit deux textes à l’ordinateur. Au début et à la fin du projet de recherche, tous ont dû remplir une échelle de motivation, l’Échelle de motivation à écrire en français, adaptée de l’Échelle de motivation à employer les TIC en enseignement. Des entrevues de groupe semi-dirigées ont été menées pour illustrer les tendances émanant des analyses quantitatives. L’analyse quantitative des données provoquées permet de tracer un portrait dichotomique; alors que les scripteurs technologiques tendent à être motivés intrinsèquement avant même d’utiliser les TIC, les scripteurs traditionnels sont plus fortement amotivés. L’analyse d’entrevues de groupe a confirmé cet état de fait.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».