La résolution de problèmes écrits d’arithmétique : le rôle déterminant des inférences
Bibliographic record
Abstract
La réussite des élèves en résolution de problèmes écrits a souvent été associée aux compétences en lecture. En ce sens, il importe de comprendre comment les habiletés liées à la lecture peuvent s’articuler pour permettre l’apprentissage de la résolution de problèmes écrits. L’objectif de recherche consiste à vérifier l’influence de deux habiletés en lecture sur le rendement en résolution de problèmes écrits de mathématiques d’élèves du troisième cycle du primaire. À cette fin, nous avons utilisé un devis quantitatif s’inscrivant dans les études corrélationnelles prédictives. Les 176 élèves ayant participé à l’étude ont réalisé deux épreuves de compréhension en lecture se traduisant par la lecture d’un texte narratif et d’un texte informatif auxquels était rattachée une série de dix questions, soit cinq questions de repérage et cinq questions d’inférence. Les participants ont aussi résolu un ensemble de six problèmes écrits de mathématiques. Les résultats des analyses de régression linéaires effectuées soutiennent que la compréhension aux questions d’inférence représente l’habileté spécifique en lecture qui est la plus liée au rendement en résolution de problèmes écrits. Ces résultats nous amènent à mettre en évidence l’importance de développer l’habileté à émettre des inférences à l’école.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.013 | 0.157 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.015 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".