Les TIC motivent-elles les élèves du secondaire à écrire?
Bibliographic record
Abstract
Dès le début du secondaire, la motivation des élèves québécois chute (Chouinard, 2007). On sait, par ailleurs, que la motivation à écrire compte parmi les plus importants déterminants de la compétence scripturale (Hayes, 1995). Puisque les logiciels utilitaires comme le traitement de texte sont associés à un plus grand sentiment d’autoefficacité (Newhouse, 2002), le fait d’avoir recours aux TIC pour développer la compétence à écrire permettrait-il de renverser cette tendance? Pour répondre à cette question de recherche, nous avons élaboré une méthodologie fondée sur la théorie de l’autodétermination de Deci et Ryan (2002). Nous avons rencontré 264 élèves d’une école secondaire de la banlieue de Montréal. Au début de la recherche, tous ont rédigé une production à la main. Par la suite, le mode de rédaction a été différencié : alors que les sujets des groupes témoins ont rédigé deux textes à la main, ceux des groupes quasi expérimentaux ont produit deux textes à l’ordinateur. Au début et à la fin du projet de recherche, tous ont dû remplir une échelle de motivation, l’Échelle de motivation à écrire en français, adaptée de l’Échelle de motivation à employer les TIC en enseignement. Des entrevues de groupe semi-dirigées ont été menées pour illustrer les tendances émanant des analyses quantitatives. L’analyse quantitative des données provoquées permet de tracer un portrait dichotomique; alors que les scripteurs technologiques tendent à être motivés intrinsèquement avant même d’utiliser les TIC, les scripteurs traditionnels sont plus fortement amotivés. L’analyse d’entrevues de groupe a confirmé cet état de fait.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.019 | 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".