L’apprentissage du rehaussement et de l’accroissement pour améliorer la cohérence textuelle : une étude multicas en formation des maitres
Notice bibliographique
Résumé
Cet article présente les résultats d’une recherche doctorale qui examine le développement de la compétence métalangagière de six étudiantes en formation initiale à l’enseignement considérées comme en difficulté. L’objectif est d’analyser les retombées d’une démarche didactique qui vise l’apprentissage de deux stratégies d’amplification syntaxique, soit le rehaussement (mobilisant le complément du nom) et l’accroissement (mobilisant le complément de phrase), sur leur capacité à produire des textes argumentatifs cohérents.La méthodologie repose sur une étude multicas. La démarche didactique, qui s’inscrivait dans les principes de l’enseignement explicite, s’est étalée sur cinq séances universitaires. Les données collectées comprennent deux rédactions et deux entretiens métascripturaux analysés selon des indicateurs de compétence métalangagière à six niveaux développés pour la recherche.Les résultats révèlent des progressions différenciées : cinq participantes sur six ont progressé d’au moins un niveau pour le rehaussement, tandis que quatre sur six ont progressé pour l’accroissement. Les gains les plus notables concernent la compréhension de la modalisation et son rôle dans l’argumentation. Cependant, ces progrès demeurent modestes et dépendants d’un étayage important. Les participantes peinent encore à identifier spontanément les structures syntaxiques et à expliciter leur contribution à la cohérence textuelle, particulièrement pour la problématisation.Globalement, l’étude souligne la complexité du développement de la compétence métalangagière et insiste sur l’importance d’un enseignement plus soutenu pour amener les futurs enseignants à maitriser efficacement l’écriture argumentative.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».