MétaCan
Menu
Back to cohort
Record W1830146568 · doi:10.20360/g20k57

Effets de l’apprentissage des stratégies de planification en écriture sur la cohérence textuelle de récits imaginaires d'élèves francophones du Nouveau-Brunswick et de l’Alberta

2014· article· fr· W1830146568 on OpenAlexaffvenueabout
Sylvie Blain, Martine Cavanagh

Bibliographic record

VenueLanguage and Literacy · 2014
Typearticle
Languagefr
FieldSocial Sciences
TopicWriting and Handwriting Education
Canadian institutionsUniversité de Moncton
Fundersnot available
KeywordsHumanitiesPhilosophyArt

Abstract

fetched live from OpenAlex

L’objectif de cette étude est d’évaluer l’efficacité d’une séquence didactique adaptée à l’écriture d’un récit imaginaire sur la capacité d’élèves franco-albertains et néobrunswickois de 9 ans à composer des textes narratifs cohérents. Dans le cadre de cet article, nous avons rapporté les résultats qualitatifs sous forme d’étude de cas de 8 élèves que nous avons observé et interviewer en ce qui a trait à l’appropriation des stratégies de planification. Nous avons aussi mesuré la cohérence macrostructurelle, microstrucurelle et situationnelle des premiers brouillons du prétest (texte 1) et du texte 2 écrit pendant l’intervention pour les 53 élèves du groupe expérimental et les 35 élèves du groupe témoin répartis également entre les deux provinces. L’analyse des résultats qualitatifs révèle que les stratégies de planification proposées ont permis aux huit élèves du groupe expérimental de développer une plus grande conscience de la complexité de la démarche d’écriture et d’une plus grande capacité à gérer cette démarche. Les analyses de variance de type mixte inter et intra groupes indiquent que les deux groupes ont réussi à améliorer leur cohérence macrostructurelle, mais que l’amélioration du groupe expérimental est significativement meilleure que celle du groupe témoin. Les résultats pour les dimensions microstructurelle et situationnelle sont plus mitigés.

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.002
metaresearch head score (Gemma)0.002
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.641
Threshold uncertainty score0.952

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0020.002
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0010.000
Scholarly communication0.0010.001
Open science0.0000.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0000.000

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.

Opus teacher head0.005
GPT teacher head0.274
Teacher spread0.269 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations2
Published2014
Admission routes3
Has abstractyes

Explore more

Same venueLanguage and LiteracySame topicWriting and Handwriting EducationFrench-language works237,207