DE L’INFLUENCE DE LA CULTURE DES ÉCRANS SUR LA LECTURE D’ÉLÈVES EN LYCÉE PROFESSIONNEL
Bibliographic record
Abstract
La lecture des élèves en difficulté est ici étudiée sous deux aspects. Une enquête menée sur trois ans auprès de deux classes de lycées professionnels bretons donne accès aux lectures personnelles des élèves interrogés afin d’en établir le corpus. Celui-ci permet de mesurer l’impact de la culture des écrans sur leurs choix de livres. Le deuxième aspect questionné est celui de la lecture et de la réception des oeuvres patrimoniales proposées à l’école. En effet, la culture scolaire induit d’autres modes de lecture et des comportements spécifiques face aux livres. Des entretiens avec une douzaine d’élèves permettent de saisir une certaine influence de la culture des écrans sur leur réception des oeuvres et leur résistance à la compréhension des textes. Nous proposons d’examiner quelles sont les conséquences de cette culture des écrans : constitue-t-elle un enrichissement ou bien bloque-t-elle l’accès à la culture « savante » que l’école tente de transmettre ? Nous observons un paradoxe de cette culture de l’image : si elle aide les élèves à comprendre et à apprécier un texte, elle est parfois un frein à l’imaginaire. L’apprentissage de la multilecture littéraire à l’école est donc un enjeu majeur pour conjurer une probable fracture culturelle.
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 | 0.009 | 0.027 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.008 | 0.003 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.024 | 0.004 |
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".