Indicateurs lexicaux dans les textes de comparaison et de problème-solution produits par des élèves de 8-9 ans
Bibliographic record
Abstract
Cet article rend compte des résultats d’une analyse prédicative visant à comparer les unités lexicales utilisées par des élèves de 8 et 9 ans pour écrire un texte de comparaison et un texte problème-solution. L’analyse a mis en évidence, entre autres, la capacité des jeunes scripteurs à utiliser le lexique de façon différenciée selon le type de textes à produire. Ainsi, par exemple, dans les textes de comparaison, on observe souvent que les élèves ont eu recours au verbe ou à l’adjectif pour établir le lien entre chacun des référents comparés et une propriété. Par contre, ils ont peu utilisé de marqueurs de relation pour signaler explicitement la comparaison. Dans les textes problème-solution, les élèves ont été en mesure de mobiliser des couples de verbes « causatifs-résultats » pour établir l’adéquation de la solution par rapport au problème posé ainsi que des marqueurs de relation sans lesquels les relations de causalité demeureraient implicites.
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 | 0.003 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.006 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".