Relever quatre défis de l’enseignement de l’écrit en milieu francophone minoritaire
Bibliographic record
Abstract
L’écriture est une des tâches scolaires les plus complexes puisqu’elle fait appel à plusieurs compétences mobilisées simultanément. Pour les élèves francophones vivant en milieu linguistique minoritaire, son apprentissage n’est pas sans défis. On expose ici quatre défis majeurs: les deux premiers sont liés au rapport que les élèves entretiennent avec le français langue minoritaire, et les deux suivants font référence à des réalités plus proprement scolaires. Pour chacun des défis, on propose des pistes d’intervention pédagogique. Tenant compte des compétences langagières hétérogènes des élèves, celles-ci visent à déscolariser l’activité de production écrite pour la rendre authentique et significative aux yeux mêmes des élèves; elles visent également à rendre explicite la démarche rédactionnelle et à développer chez les élèves une compétence scripturale en mettant l’accent sur le message à transmettre et sur la cohérence des textes; elles visent enfin à valoriser l’écriture dans les apprentissages scolaires autres que ceux relevant strictement de la classe de français ainsi que dans la construction des savoirs. La mise en place de ces mesures dans une dynamique intégratrice au sein des pratiques pédagogiques peut permettre de relever les défis de l’enseignement-apprentissage de l’écriture en milieu francophone minoritaire.
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 | 0.006 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.009 | 0.013 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 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".