Les facteurs qui influent sur le rendement à une tâche de français chez les femmes d’origine acadienne : évocation de catégories sociales et confiance dans son rendement
Bibliographic record
Abstract
Cette étude examine l'effet de l'évocation de catégories sociales sur le rendement à une tâche en français auprès de femmes d'origine acadienne.Selon la théorie de la menace du stéréotype, l'évocation d'une catégorie sociale entachée d'une mauvaise réputation dans un domaine d'activités perturbe le rendement dans ce domaine.Dans cette étude, 43 participantes ont été placées dans l'une de trois conditions expérimentales, deux évoquant les catégories sociales Femme (n = 15) et Acadien (n = 15), alors que la troisième, la condition Contrôle (n = 13), n'évoquait aucune catégorie.Elles ont ensuite effectué une tâche écrite d'évaluation du rendement en français.Les résultats d'une analyse de covariance révèlent qu'indépendamment de facteurs tels que l'importance accordée au français, la compétence perçue en français, la note obtenue au dernier cours de français et la région d'origine, l'évocation de la catégorie sociale Acadien influence le rendement en français.Les participantes de la condition Acadien ont en effet obtenu un résultat plus faible à la tâche que celles occupant les conditions Femme et Contrôle.Aucune différence significative n'a été obtenue entre ces deux dernières conditions.De plus, selon les résultats, la confiance des participantes dans leur rendement atténue l'effet de l'évocation de la catégorie sociale Acadien sur le rendement en français.Les retombées pratiques sont abordées.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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".