Notice bibliographique
Résumé
Les autoévaluations sont des outils de formation qui ont le pouvoir d’améliorer les processus d’autorégulation et d’apprentissage linguistique chez les étudiants des classes de rédaction. Bien qu’elles aient fait l’objet de maintes études dans le contexte de l’apprentissage d’une langue principale, les autoévaluations ont été assez peu analysées dans celui de la rédaction en langue seconde (L2). Or, de récentes recherches indiquent que les exigences de la rédaction en L2 peuvent être moins lourdes lorsque les enseignants prennent le temps de cultiver chez leurs étudiants l’autorégulation et la métacognition, ce qui confère un rôle tout particulier à l’autoévaluation dans les classes de rédaction en L2 au primaire, du fait qu’elle contribue à améliorer les compétences d’autorégulation et de métacognition chez les apprenants. Les auteurs s’emploient à éclaircir les principales questions que soulève l’autoévaluation dans des situations rédactionnelles en L2 en présentant d’abord un concept théorique sous-jacent à l’autoévaluation en classe de L2. Ils font ensuite valoir les principes issus de la recherche guidant l’autoévaluation dans le cadre de l’enseignement de la L2 au primaire, proposent des façons d’incorporer l’autoévaluation aux divers stades de l’apprentissage de l’écriture et se penchent sur les défis e la mise en application de l’autoévaluation. En s’appuyant sur la théorie de l’étayage de Vygotsky et les recherches portant sur la métacognition et la formation métacognitive, les auteurs établissent un lien clair entre l’enseignement et l’apprentissage de cette technique d’évaluation et proposent des exemples tirés de diverses situations d’enseignement et d’apprentissage d’une langue seconde. En définitive, leur étude a pour intérêt de renseigner les enseignants sur la façon d’utiliser l’autoévaluation en classe afin de promouvoir l’autonomie et l’indépendance de l’apprenant.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».