Comprendre l’action didactique par l’analyse des objets enseignés : l’exemple de deux séquences d’enseignement de la littérature au secondaire
Notice bibliographique
Résumé
Les programmes d’enseignement du français au secondaire québécois (2005/2009) prescrivent une liste de notions littéraires à enseigner. On ignore cependant quels sont les objets réellement enseignés sous l’appellation «littérature» et comment ils sont articulés au travail de lecture de textes littéraires en classe. Nous avons donc mené une recherche pour décrire les pratiques d’enseignement de la littérature. Nous avons filmé des séquences d’enseignement de la littérature au secondaire et les avons analysées en produisant des synopsis (Schneuwly et Dolz, 2009) afin de comprendre les objets enseignés. En décrivant deux exemples de pratique d’enseignement de la poésie, nous montrons en quoi le contexte de travail des enseignants, les tâches qu’ils proposent aux élèves, les dispositifs didactiques qu’ils choisissent et leurs connaissances littéraires ont des effets sur la façon dont ils articulent les savoirs littéraires au travail sur les textes littéraires. Puis, en conclusion, nous soulignons trois constats tirés de nos analyses et nous identifions quelques chantiers à développer dans la recherche en didactique de la littérature.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,009 |
| Communication savante | 0,009 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,002 |
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».