La dyslexie en milieu minoritaire. Adaptation d’un test de dépistage des dyslexies pour une population francophone minoritaire : l’exemple de l’ODÉDYS
Bibliographic record
Abstract
En milieu minoritaire francophone, les retards observés lors du dépistage des difficultés en lecture pourraient venir d’une sous-exposition à la langue. Toutefois, ces retards pourraient être confondus avec un trouble d’apprentissage spécifique en lecture (dyslexie) si les normes utilisées dans l’évaluation ne sont pas représentatives de la population ciblée et si l’outil contient des biais culturels et linguistiques. Pour éviter d’interpréter ces difficultés comme étant une inaptitude, ce qui pourrait mener à des erreurs dans le dépistage, l’outil d’évaluation en lecture doit être adapté en particulier lorsqu’une population est minoritaire. La présente recherche, dont l’objectif est l’adaptation d’un outil de dépistage des dyslexies (ODÉDYS), fut effectuée à partir du jugement d’experts. Les adaptations apportées à l’outil concernent surtout la modification d’items dans les sous-tests de lecture et de dictée étant donné la présence d’anglicismes et de mots inconnus d’après les expériences d’apprentissage des élèves. Cette recherche propose aussi un exemple de démarche méthodologique pour l’adaptation d’un outil afin de dépister correctement les manifestations de la dyslexie en milieu minoritaire.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
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".