Quelles sont les stratégies d’apprentissage que les étudiants universitaires ayant un ou des troubles d’apprentissage ou un déficit d’attention doivent apprendre à utiliser ?
Bibliographic record
Abstract
Au Québec, la présence d’étudiants ayant un ou des troubles d’apprentissage (TA) ou un trouble du déficit d’attention avec ou sans hyperactivité (TDA/H) est de plus en plus marquée dans nos universités. Afin d’aider ces étudiants à persévérer dans leur cheminement universitaire, nous avons voulu connaître les difficultés particulières qu’ils éprouvent sur le plan des stratégies d’apprentissage afin de pouvoir les soutenir d’une façon plus ciblée. Pendant trois sessions d’études, 205 étudiants ont expérimenté un dispositif d’aide à la persévérance aux études, SAMI-Persévérance, afin de cerner les difficultés qu’ils rencontraient. Les traces laissées dans le dispositif ont permis de déterminer les stratégies d’apprentissage les moins utilisées autant par les étudiants ayant un TA et ceux ayant un TDA/H que les étudiants ayant les deux types de troubles. Parmi les stratégies d’apprentissage, ce sont les stratégies de lecture, de production écrite, de gestion de la mémorisation, de gestion du temps et de gestion du stress qui semblent les moins utilisées par ces étudiants. Enfin, les étudiants semblent avoir recours à des stratégies de production orale et de gestion de leurs émotions.
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 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.003 |
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".