MétaCan
Menu
Retour à la cohorte
Enregistrement W2177449822 · doi:10.7202/1047316ar

APPRENDRE EN LISANT AU PRIMAIRE EN RECOURANT À DES TEXTES INFORMATIFS ILLUSTRÉS : ÉTUDE EXPLORATOIRE

2018· article· fr· W2177449822 sur OpenAlexaffvenue
Sylvie C. Cartier, Virginie Martel, Julie Arseneault, Éliane Mourad

Notice bibliographique

RevueRevue de recherches en littératie médiatique multimodale · 2018
Typearticle
Languefr
DomaineSocial Sciences
ThématiqueEducation and Technology Integration
Établissements canadiensUniversité du Québec à RimouskiUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésHumanitiesPolitical scienceArt

Résumé

récupéré en direct d'OpenAlex

Une situation de lecture essentielle à la réussite de l’élève dans toutes disciplines est l’apprentissage par la lecture (APL). Afin de soutenir leurs élèves en ce sens, des enseignants d’une école urbaine en milieu défavorisé ont développé de manière collaborative une approche type de situation d’APL qu’ils adaptent selon leurs groupes et selon la discipline enseignée. La présente étude a pour objectif d’explorer la relation entre la situation d’APL, conçue par ces enseignants de 3 e cycle, comprenant les tâches à réaliser et les documents de lecture proposés, et les réponses des élèves aux diverses tâches. Les principaux résultats montrent que peu des tâches proposées demandent réellement de lire et que la source d’information principale demeure textuelle. Conséquemment, le recours à l’image comme support informatif reste encore marginal et la planification de tâches d’APL, de même que le choix des textes, reste un défi majeur à relever dans la planification d’une situation d’APL au primaire.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,006
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,413
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,006
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,002
Communication savante0,0000,002
Science ouverte0,0010,000
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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.

Tête enseignante Opus0,070
Tête enseignante GPT0,342
Écart entre enseignants0,272 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueRevue de recherches en littératie médiatique multimodaleMême sujetEducation and Technology IntegrationTravaux en français237 207