La fréquence d'utilisation des stratégies de lecture selon deux formes de documents à l'écran chez des élèves de 3e secondaire (14-15 ans)
Bibliographic record
Abstract
Les technologies sont devenues omniprésentes dans la vie des jeunes adolescents. Que ce soit pour clavarder (chat), pour écrire des courriels (email), pour aller sur Facebook ou pour faire une recherche sur l’acteur d’Hollywood de l’heure, les adolescents mobilisent différentes stratégies de lecture à l’écran. Cependant, ces stratégies mobilisées à l’écran n’ont pas nécessairement fait l’objet d’un enseignement explicite à l’école. Même si le programme de formation du Québec (Canada) s’entend pour favoriser l’intégration des technologies à travers les matières, il reste que ces élèves semblent avoir appris par eux-mêmes, par tâtonnement, les stratégies à utiliser selon leur intention de lecture. Nous pouvons cependant nous demander quelles sont réellement les stratégies mobilisées à l’écran par les jeunes adolescents et quelles sont les fréquences d’utilisation de chacune de ces stratégies ? À l’aide de la technique oculométrique (Eye-Tracking Technology) et de la verbalisation rétrospective, il a été possible de répondre à ces questions en déterminant la fréquence d’utilisation de 17 stratégies de lecture selon deux formes de documents à l’écran chez des élèves de 14-15 ans.
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 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 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".