Bibliographic record
Abstract
est bien connu, les enfants qui aiment la lecture réussissent mieux à l'école.Il est donc avantageux pour une enseignante de partager ses découvertes et ses coups de cœur littéraires avec ses élèves.C'est là que l'animation de la lecture entre en jeu.Cette animation de la lecture influence considérablement la motivation des élèves à « se mettre le nez » dans les livres.Pour ce faire, nous avons choisi un sujet dans lequel l'animation de la lecture se ferait d'une manière prédominante tout en engageant les élèves vers l'appréciation d'œuvres littéraires.Notre projet fait revivre trois contes classiques que nous prendrons le temps de découvrir et de savourer pour ensuite les analyser et les comparer.À travers un projet de prolongement, nous allons traiter des différentes versions possibles selon les divers points de vue d'après l'auteur ou les personnages.Dans le travail qui suit, les différentes étapes de notre projet seront expliquées une à une où nous joindrons des exercices appuyant nos activités à la suite de chaque tableau.Puis, nous tenterons d'anticiper les différentes retombées pédagogiques et didactique de notre projet ainsi que les difficultés que pourraient rencontrer les élèves.Pour mieux illustrer les différentes leçons de notre projet d'animation, nous les avons organisées sous forme de tableaux.
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 | 0.007 | 0.046 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.010 | 0.010 |
| Science and technology studies | 0.007 | 0.003 |
| Scholarly communication | 0.016 | 0.012 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.060 | 0.035 |
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".