Description et analyse de pratiques d’enseignants experts qui utilisent la littérature jeunesse au 1er cycle du primaire pour l’enseignement-apprentissage du vocabulaire
Notice bibliographique
Résumé
Au tournant des années 2000, un désir de renouveau pédagogique amène le ministère de l’Éducation du Québec à revoir ses programmes ministériels (2006 ; 2009) et à leur apporter plusieurs modifications de taille. Appuyé par les recherches sur le sujet, ce dernier accorde alors, dans ses écrits, une place enviable à l’acquisition et l’accroissement du vocabulaire (Graves, 1986 ; Mel’čuk et Polguère, 2007 ; Tremblay, 2004). Néanmoins, la réalité dans les écoles primaires au Québec est toute autre, alors que le lexique est formellement peu enseigné en classe (Anctil, Singcaster et Tardif, 2018), et ce, malgré le fait que les enseignants dressent un portrait lacunaire du vocabulaire de leurs élèves : imprécision et redondance des mots employés, difficultés de compréhension, etc. (Grossmann, 2011). Dans la plupart des cas, cela s’explique par le fait que les enseignants ont besoin d’être outillés (Beck, McKeown et Kucan, 2013) et c’est dans cette optique que nous avons décrit et analysé des pratiques effectives expertes sur le sujet. Pour réaliser cette recherche, 2 enseignants jugés experts dans l’utilisation de la littérature jeunesse, un outil à privilégier (Léon, 2004 ; Montésinos-Gelet, Dupin de Saint-André et Noël, 2008) dans ce contexte, ont été retenus. Nous nous sommes ensuite rendus dans leur classe respective afin d’observer et d’analyser leurs pratiques en contexte réel lors de 5 séances d’enseignement-apprentissage du vocabulaire réalisées à l’aide d’albums jeunesse. Pour rendre compte de leurs pratiques, nous avons élaboré une grille d’observations basée sur le modèle multi-agenda (Bucheton et Soulé, 2009), qui s’articule autour de 5 préoccupations, et le cadre de référence de Jackson (1966 ; 1968). Nous nous sommes intéressés aux pratiques enseignantes, aux dispositifs d’enseignement ainsi qu’aux apprentissages ciblés (mots issus des œuvres et relations lexicales fondamentales). Au terme de nos observations et de notre analyse, nos résultats démontrent notamment que les deux enseignants observés privilégient deux dispositifs d’enseignement différents, qu’ils utilisent tous deux la lecture répétée et que leur sélection des mots enseignés est variable.
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 | 0,005 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,010 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,005 |
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 ».