APPRENDRE EN LISANT EN HISTOIRE EN RECOURANT AU MANUEL SCOLAIRE OU À UN CORPUS D’OEUVRES DOCUMENTAIRES ET DE FICTION
Bibliographic record
Abstract
Compte tenu des difficultés associées à la lecture visant l’apprentissage en histoire, cette étude cherche à mieux comprendre la relation entre le choix de la ressource de lecture et l’apprentissage par la lecture (APL) d’élèves de 6eannée lors de situations d’APL bénéficiant du soutien des enseignants. Les objectifs poursuivis sont les suivants : 1) décrire l’APL des élèves dans un contexte de recours à un manuel scolaire ou à des œuvres documentaires ou de fiction; 2) comparer les apports et les limites de ces deux choix pour l’APL des élèves; 3) décrire, de manière exploratoire, le recours spontané aux images en tant que support informatif. Pour cette étude, une méthode de recherche mixte a été utilisée : l’analyse de cas multiples (Yin, 2003) insérée dans un design pré/post. Les résultats vont dans le sens de travaux antérieurs qui valident la pertinence du modèle d’APL de Cartier (2007) en montrant l’interaction entre l’activité proposée, les textes choisis, les occasions d’APL et le domaine d’apprentissage. Ils illustrent plus spécifiquement l’effet bénéfique d’une démarche de planification et de soutien à l’APL dans le contexte spécifique du recours à un manuel scolaire et, parallèlement, les nombreux défis soulevés par le recours à un corpus d’oeuvres en contexte d’APL. Les résultats mettent aussi en lumière que les élèves n’utilisent pas spontanément l’apport informatif des images en contexte d’APL, ce qui oblige à penser un soutien spécifique en ce sens.
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 | 0.005 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.032 | 0.008 |
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".