Etude de l'apprentissage par la lecture d'étudiants en contexte d'apprentissage par problèmes (APP)
Bibliographic record
Abstract
Cet article présente les résultats d'une recherche descriptive menée auprès d'étudiants en situation d'apprentissage par la lecture. Il décrit les stratégies rapportées par ceux-ci lorsqu'ils lisent pour acquérir des connaissances reliées à leur domaine de formation. Les résultats indiquent que les stratégies utilisées de façon fréquente par la plupart des sujets sont: (1) les stratégies de lecture telles que la modalité de lire partiellement le texte; (2) les stratégies d'encodage et de rappel telles que la prise de notes et la répétition des informations par la relecture; (3) les stratégies d'autorégulation telles que la planification du travail, l'évaluation de la lecture et du texte ainsi que la contrôle des choix de textes; et (4) les stratégies de gestion des ressources telles que la lecture du livre de référence principal dans le domaine et le choix de la matinée comme moment privilégié d'étude. Or, ces stratégies ne sont pas suffisantes pour supposer un apprentissage significatif tel que le définit le cadre de référence de l'apprentissage par la lecture. Cependant, une analyse des stratégies utilisées à une plus faible fréquence pendant la semaine permet de nuancer ces résultats. La conclusion met l'accent sur l'importance de proposer aux étudiants des activités qui leur demandent d'utiliser fréquemment des stratégies efficaces, d'enseigner aux étudiants ces stratégies et de développer le domaine d'étude de l'apprentissage par la lecture.
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 | 0.006 | 0.025 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.012 | 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".