Des pratiques pédagogiques de l’enseignement du lire/écrire, déclarées par des enseignantes du primaire
Bibliographic record
Abstract
Plusieurs élèves de niveau primaire présentent des difficultés de lecture et d’écriture. Or, la recherche montre que les pratiques enseignantes efficaces ont une incidence favorable sur le succès des élèves dans leur apprentissage du lire-écrire. Suivant une recension des écrits sur les pratiques gagnantes au regard des théories de l’apprentissage socioconstructivistes, cet article présente les résultats d’une recherche portant sur les pratiques déclarées de l’enseignement du lire-écrire de quatre enseignantes de sixième année du primaire. Les résultats montrent que bien que les enseignantes interrogées utilisent encore des pratiques d’enseignement traditionnelles telles que la dictée, elles utilisent généralement des pratiques novatrices qui intègrent les enseignements de la lecture, de l’écriture et de la communication orale. Elles mettent également de l’avant des projets interdisciplinaires et transversaux. Les activités proposées sont de plus signifiantes, car connectées sur la réalité et les intérêts des élèves. En somme, les enseignantes interrogées révèlent que leur enseignement du français est décloisonné et constitue un tout, tel que le recommandent les études sur les pratiques efficaces.
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 | 0.009 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.006 | 0.007 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.021 | 0.005 |
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".