Comprendre l’action didactique par l’analyse des objets enseignés : l’exemple de deux séquences d’enseignement de la littérature au secondaire
Bibliographic record
Abstract
Les programmes d’enseignement du français au secondaire québécois (2005/2009) prescrivent une liste de notions littéraires à enseigner. On ignore cependant quels sont les objets réellement enseignés sous l’appellation «littérature» et comment ils sont articulés au travail de lecture de textes littéraires en classe. Nous avons donc mené une recherche pour décrire les pratiques d’enseignement de la littérature. Nous avons filmé des séquences d’enseignement de la littérature au secondaire et les avons analysées en produisant des synopsis (Schneuwly et Dolz, 2009) afin de comprendre les objets enseignés. En décrivant deux exemples de pratique d’enseignement de la poésie, nous montrons en quoi le contexte de travail des enseignants, les tâches qu’ils proposent aux élèves, les dispositifs didactiques qu’ils choisissent et leurs connaissances littéraires ont des effets sur la façon dont ils articulent les savoirs littéraires au travail sur les textes littéraires. Puis, en conclusion, nous soulignons trois constats tirés de nos analyses et nous identifions quelques chantiers à développer dans la recherche en didactique de la littérature.
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 | 0.004 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.010 | 0.009 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.015 | 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".