MétaCan
Menu
Back to cohort
Record W2565350893 · doi:10.3138/cmlr.3314

Analyse des mots connecteurs dans les résumés produits par des élèves FL1 et FL2

2016· article· fr· W2565350893 on OpenAlexvenueaboutno aff
Léonard P. Rivard, Pierre Minkala-Ntadi, Margaux Roch-Gagné, Ndèye Rokhaya Gueye

Bibliographic record

VenueCanadian Modern Language Review/ La Revue canadienne des langues vivantes · 2016
Typearticle
Languagefr
FieldArts and Humanities
TopicLinguistics and Discourse Analysis
Canadian institutionsnot available
Fundersnot available
KeywordsHumanitiesPolitical sciencePhilosophy

Abstract

fetched live from OpenAlex

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.003
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Science and technology studies, Insufficient payload (model declined to judge)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Not applicable · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.775
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0010.003
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0010.000
Science and technology studies0.0010.003
Scholarly communication0.0000.000
Open science0.0010.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0040.000

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.

Opus teacher head0.036
GPT teacher head0.267
Teacher spread0.231 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designNot applicable
Domainnot available
GenreEmpirical

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".

Quick stats

Citations2
Published2016
Admission routes2
Has abstractyes

Explore more

Same venueCanadian Modern Language Review/ La Revue canadienne des langues vivantesSame topicLinguistics and Discourse AnalysisFrench-language works237,207