Analyse des mots connecteurs dans les résumés produits par des élèves FL1 et FL2
Bibliographic record
Abstract
Cet article présente les résultats d’une étude comparative de résumés produits par des élèves du secondaire et des étudiants universitaires inscrits dans deux programmes d’enseignement du FL1 et du FL2 au Canada hors Québec. L’objectif est de comparer la mobilisation de mots connecteurs dans la production textuelle de ces apprenants. Pour ce faire, les connecteurs sont classés selon quatre types de relations qu’ils peuvent induire, à savoir : l’addition, la causalité, l’opposition et la temporalité. La fréquence d’utilisation de ces mots est recensée dans les résumés produits par chacun des apprenants dans ces programmes et selon leur niveau de scolarité en vue de les comparer entre eux et, en dernier, au texte d’origine. L’étude a montré des différences dans la fréquence d’utilisation de connecteurs de types causalité et temporalité entre les deux programmes et entre les différents niveaux. Cependant, lorsqu’une comparaison est faite en fonction de la longueur des résumés, la seule différence statistiquement significative s’observe dans l’emploi des connecteurs d’opposition qui augmentent au niveau universitaire. L’étude a également relevé un suremploi de connecteurs de type causalité dans les résumés produits par tous les apprenants en comparaison avec le texte d’origine, ainsi qu’une plus grande variété de vocabulaire chez les FL1.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.019 | 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".