Vers une définition des besoins de perfectionnement des enseignants de français des niveaux élémentaire et secondaire
Bibliographic record
Abstract
Compte rendu partiel des résultats d’une enquête auprès de professeurs de français, langue maternelle, afin de définir d’une façon objective : Nous retrouverons, dans l’article, la description du questionnaire et de l’échantillon, puis des résultats éclairant le point 1 et le point 4. Le tableau 1 indique la répartition des informateurs et le tableau 2, la représentativité de l’échantillon. Les figures 1-2-3 permettent d’évaluer globalement la compétence linguistique des enseignants (sens large : toutes les connaissances acquises dans tous les domaines où la langue joue un rôle essentiel). Les figures 4, 5 et 6 s’arrêtent sur le type de formation désirée par les enseignants. Il y a une différence d’orientation selon qu’il s’agit d’informateurs de l’élémentaire qui, en plus d’une formation générale, désirent que l’on mette l’accent sur l’enseignement de la didactique, alors que ceux du secondaire veulent une formation axée sur la linguistique ou sur la langue et la littérature. Les tableaux 3, 4, 5, 6 et 7 indiquent quelles sont les disciplines dans lesquelles ils souhaitent se perfectionner. Elles sont regroupées selon qu’elles développent la compétence linguistique ou la formation professionnelle. On retrouve la répartition des enseignants dans ces ensembles selon qu’ils sont du niveau élémentaire ou secondaire.
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 | 0.008 | 0.017 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".