Bibliographic record
Abstract
On le voit par ces quelques exemples, une réflexion générique sur la fable peut essaimer dans de multiples directions et engendrer une réelle dynamique de lecture dans la classe de français.Un tel exercice entraîne à situer l'œuvre lue dans une perspective plus large, à identifier les ressorts particuliers sur lesquels elle joue et à établir des liens avec d'autres œuvres du même genre ou d'un genre voisin.Cette activité permet d'éviter les écueils auxquels se heurte souvent le retour sur une lecture, à savoir la paraphrase et l'appréciation globale de type affectif (« j'ai aimé »).Enfin, en apprenant à l'élève à porter un jugement de type générique, on développe sa capacité d'abstraction et on l'aide à mieux appréhender les décisions impliquées dans le processus d'écriture.Professeur-chercheur à l'Université d'Ottawa Notes 1 Pour une démarche approfondie et de nombreuses pistes de travail en classe, on se reportera à l'ouvrage de K. Canvat et C. Vandendorpe, La fable, Vade-mecum du professeur de français, Didier Hatier, 1993,104 p. (Collection « Séquences »).Ce manuel est accompagné d'une anthologie : La fable.Recueil de textes pour la classe de français, 48 p. Celleci contient plus d'une centaine de fables de diverses provenances, y compris d'auteurs belges, africains et québécois.Voir aussi C. Vandendorpe, Apprendre à lire des fables : une approche sémiocognitive, Montréal, Le Préambule, 1989,192 p.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.008 | 0.009 |
| Scholarly communication | 0.009 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.050 | 0.006 |
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".