Conter à l’oral au primaire; mesure de quelques effets d’un outil d’aide àla structuration du récit : les cartes à raconter
Bibliographic record
Abstract
L’é valuation constitue l’un des problèmes récurrents liés à l’enseignement de l’oral. Comment peut-on évaluer les productions des élèves, de façon formative autant que certificative, en tenant compte de l’ensemble des caractéristiques de l’oral ? Nous tentons de répondre à cette question en mesurant l’effet d’un jeu de cartes à raconter sur les productions orales de contes d’élèves de 5eannée primaire. Les productions narrées de trois élèves, avec et sans l’utilisation des cartes, sont analysées en détails à l’aide d’une grille d’obédience linguistique et quantitative. L’utilisation du jeu de cartes produit trois effets positifs sur les récits des élèves : ils sont plus longs et d’une complexité syntaxique plus grande; le vocabulaire employé y est plus riche; les récits attestent d’un usage généralisé du système à trois temps dans le passé. Toutefois, contrairement à ce que nous avions imaginé, les cartes à raconter n’ont pas d’effets visibles sur les composantes concernant la structure et la référence aux actants. Nous terminons le travail en proposant des pistes de réflexion didactique sur des interventions en accompagnement du jeu.
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 | 0.004 | 0.036 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.023 | 0.004 |
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".