MétaCan
Menu
Retour à la cohorte
Enregistrement W7046604170

Difficultés de compréhension en lecture chez les élèves de la sixième année : préciser l'apport de l'intervention motivationnelle

2022· other· fr· W7046604170 sur OpenAlexaboutno aff

Notice bibliographique

RevueCorpus Université Laval (Université Laval) · 2022
Typeother
Languefr
DomainePhysics and Astronomy
ThématiqueAtomic and Subatomic Physics Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésResearch methodologyOccupational trainingContinuing education
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Au Québec, près de 13 % des élèves âgés de 9 à 15 ans présentent des difficultés de compréhension en lecture (PIRLS, 2016 ; CMEC, 2019). Comme la compréhension en lecture est un outil d'apprentissage dans toutes les matières scolaires, ces élèves risquent d'éprouver des difficultés scolaires et de se retrouver en situation d'échec. Selon les résultats des évaluations internationales sur la lecture, le pourcentage d'élèves qui ne possèdent pas les habiletés de base pour comprendre ce qu'ils lisent n'a pas diminué depuis 2001 malgré la mise en place de programmes visant à valoriser la lecture (PIRLS, 2016). Le ministère de l'Éducation du Québec recommande d'organiser les services scolaires selon le modèle de réponse à l'intervention (RAI ; Gouvernement du Québec, 2020). Pour utiliser le modèle de RAI dans les écoles québécoises, l'enseignement dans les classes doit être de qualité et appuyé sur les données probantes issues de la recherche afin de permettre au plus grand nombre possible d'élèves de s'améliorer. De plus, les interventions offertes dans les classes doivent permettre d'identifier les élèves qui présentent des difficultés persistantes afin de les orienter vers des services individualisés (Desrochers et coll., 2016 ; Vaughn et coll., 2003). Pour favoriser l'utilisation du modèle de RAI en lecture, les enseignants ont donc besoin de tâches d'évaluation adaptées au contexte de leur classe afin d'identifier les élèves en difficulté et de baser leur enseignement sur les données probantes issues de la recherche. Évaluer l'efficacité des interventions mises en place dans des classes québécoises est aussi nécessaire afin de préciser quelles sont les pratiques qui ont les impacts les plus positifs sur les apprentissages en lecture. En s'appuyant sur le modèle heuristique de la compréhension en lecture (Snow, 2002) et sur la théorie de l'autodétermination (TAD ; Deci & Ryan, 2000, 2017), cette thèse permet de documenter et d'évaluer des pratiques efficaces en matière d'évaluation et d'intervention en compréhension de lecture chez les élèves de sixième année. Le premier article inclus dans cette thèse rapporte les résultats de la traduction, de l'adaptation et de la normalisation d'un test américain de dépistage des difficultés en lecture (TOSREC ; Wagner et coll., 2010) pouvant être distribué à l'ensemble des élèves d'une classe de sixième année à trois reprises durant l'année scolaire afin d'identifier les élèves à risque d'échouer à l'examen ministériel québécois de sixième année et de suivre leurs progrès. Le second article est une recension narrative systématique des études traitant d'interventions visant à améliorer la lecture des élèves de 10 à 21 ans. Enfin, le dernier article de cette thèse présente les résultats de la mise en place de deux interventions visant à développer la compréhension en lecture d'élèves de sixième année en soutenant leur motivation à lire et en favorisant l'implantation de pratiques pédagogiques visant le développement du vocabulaire et l'enseignement explicite de six stratégies principales en lecture.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,732
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0090,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,213
Écart entre enseignants0,206 · 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'étudeSans objet
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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCorpus Université Laval (Université Laval)Même sujetAtomic and Subatomic Physics ResearchTravaux en français237 207