Pratiques d’adaptation de l’évaluation pour l’inclusion d’élèves dyslexiques : qu’arrive-t-il au deuxième cycle du secondaire ?
Bibliographic record
Abstract
Dans la littérature recensée, peu d’études portent sur les adaptations de l’enseignement qu’engendre la politique sur l’inclusion scolaire au deuxième cycle du secondaire (Denis, 2013). Pourtant, l’inclusion scolaire suppose l’adaptation des pratiques afin d’optimiser la réussite scolaire des élèves qui bénéficient de cette politique (Gombert et Roussy, 2007 ; Vienneau, 2004). Dans le but de mieux connaître la situation au secondaire québécois, nous nous sommes basés sur les recherches de Gombert et Roussy (2007) ainsi que de Nootens (2010) afin de développer une typologie des pratiques d’adaptation de l’enseignement en contexte d’inclusion scolaire. Les données recueillies au moyen d’entrevues semi-dirigées auprès d’enseignants québécois de français permettent de décrire les adaptations des pratiques d’enseignement, en milieu urbain, pour les élèves dyslexiques inclus dans les classes ordinaires au deuxième cycle du secondaire. Dans le cadre de cet article, nous proposons une synthèse des dix gestes d’adaptation déclarés par les enseignants, et plus particulièrement ceux relatifs à l’adaptation de l’évaluation. Pour ce faire, nous discutons spécifiquement des gestes liés à l’environnement de travail, à la réalisation de l’évaluation et à la notation.
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 | 0.016 | 0.051 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.009 |
| Scholarly communication | 0.008 | 0.009 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.004 | 0.008 |
| Insufficient payload (model declined to judge) | 0.011 | 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".