Paramètres pour une efficacité accrue de la lecture hypertextuelle en langue seconde
Bibliographic record
Abstract
Tant la lecture à l'écran que celle sur papier occupent une place importante dans nos activités quotidiennes. Toutefois, comme praticien*, les avons-nous déjà comparées ? Avons-nous tenté de circonscrire en quoi l'une peut différer de l'autre ? Sans prétendre à une quelconque exhaustivité des différences possibles entre ces deux supports de lecture, nous nous sommes prêtée à l'exercice. Il en ressort une vingtaine de différences. De là, nous nous interrogeons à savoir comment le praticien peut aider le lecteur-navigateur en langue seconde* à lire plus efficacement à l'écran ? À partir des protocoles oraux de huit étudiants francophones de 1er cycle ayant lu un hypertexte en anglais langue seconde (L2), nous dégagerons des éléments de réponse. Par le biais d'extraits des verbalisations introspectives des participants nous mettrons en évidence des paramètres à considérer dans cette tâche exigeante qu'est la lecture à l'écran en L2. Nous espérons que ces paramètres soutiennent le praticien désireux de poser des choix éclairés dans un cadre où il évolue avec des lecteurs en L2, dans un cadre où en ce début de XXIe siècle, la lecture à l'écran et la L2 font souvent tandem.
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 | 0.023 | 0.142 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.003 |
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".