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
Bibliographic record
Abstract
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 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 | 0.004 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".