DIDALEX : élaboration d’un outil francophone d’analyse quantitative et qualitative des performances d’élèves du primaire en orthographe lexicale
Bibliographic record
Abstract
Depuis plusieurs années, des études menées au Québec et en France révèlent une baisse des performances orthographiques des élèves de niveau primaire. Ces résultats s’appuient souvent sur des systèmes de cotation qui fournissent des données quantitatives mais ne permettent pas une étude qualitative des erreurs produites. Dans le cadre de notre étude, nous avons élaboré un logiciel d'analyse qualitative et quantitative des erreurs d'orthographe lexicale chez de jeunes scripteurs québécois et français, âgés de 6 à 12 ans. En nous inspirant de travaux menés dans différentes langues, nous avons adapté l’outil pour une population francophone. Le système de cotation repose sur la présence des graphies requises, leur utilisation adéquate dans le mot écrit, de même que leur plausibilité lorsque l'élève en fait un usage erroné. Sur le plan scientifique, cette démarche multidimensionnelle d'analyse permet une compréhension plus fine des connaissances graphémiques des élèves dans le domaine de l'écriture. Tant pour le milieu scientifique que celui de la pratique, cette démarche d'analyse permet également de suivre l'évolution des représentations graphémiques des jeunes apprenants à travers le temps et de proposer des interventions scolaires en conséquence. Nous présentons ici le prototype du logiciel DIDALEX.
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 | 0.021 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.009 | 0.006 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.017 | 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".