Que nous apprennent les dessins d’élèves sur les émotions qu’ils et elles ressentent lors d’un exposé oral devant la classe ?
Notice bibliographique
Résumé
Parler en public fait émerger des émotions fortes chez l’orateur ou l’oratrice. Or, ressentir des émotions négatives en parlant en public peut constituer un obstacle à la réussite dans les domaines éducatif, professionnel et social tout au long de la vie. À l’heure actuelle, il y a peu de connaissances sur ce que ressentent les élèves en situation de prise de parole et sur comment les sonder pour leur permettre d’en tenir compte dans le développement de leur compétence à communiquer oralement. L’exposé oral étant un genre oral souvent sollicité dans les écoles dès le primaire, nous avons étudié des productions d’élèves du primaire. L’objectif de notre contribution est d’analyser comment des élèves illustrent leurs émotions dans le cadre d’un exposé oral en classe. Pour répondre à notre question de recherche, nous avons demandé à 236 élèves de 10-12 ans, issus et issues de 11 écoles en Belgique francophone, de faire un dessin qui représente le lien entre leurs émotions ressenties et un exposé oral qu’ils venaient juste de présenter et d’en donner une explication écrite ou orale. Nos analyses montrent que la moitié des élèves représentent des émotions mixtes (53%), d’autres uniquement des émotions positives (26%) ou uniquement négatives (21%) concernant leur exposé.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,005 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 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; 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 ».