Les difficultés de compréhension en lecture chez les étudiants de la francophonie ontarienne en formation initiale des maîtres
Bibliographic record
Abstract
Pour comprendre un document textuel, peu importe le support utilisé, il ne suffit pas de savoir décoder une série de mots; encore faut-il saisir adéquatement le sens général de ce document. L’acte de lire englobe deux constituants : la reconnaissance de mots et la compréhension. En contexte francophone minoritaire, notamment pour les étudiants et les étudiantes en formation initiale des maîtres, lire et comprendre correctement le sens des textes lus en français peut s’avérer une tâche difficile à réaliser. Pourtant, ces futurs enseignants et enseignantes devront évaluer la compréhension en lecture de textes en français de leurs élèves lorsqu’ils seront dans les écoles françaises de l’Ontario. L’objectif de cet article est de déterminer le degré de compréhension en lecture montré par des étudiants en formation initiale des maîtres en milieu francophone minoritaire ontarien par la mise à l’essai d’un outil diagnostique lié à la compréhension en lecture. Les résultats préliminaires montrent que ces étudiants éprouvent davantage de difficulté avec les questions touchant les processus d’intégration et les macroprocessus liés à la lecture. Il sera également question dans cet article de la moyenne obtenue par tous les participants pour les cinq textes lus, des questions ayant reçu le moins de bonnes réponses selon leur catégorie ainsi que des limites de l’étude.
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 | 0.005 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
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".