LINUM : UN PROJET NUMÉRIQUE POUR INTERROGER L’ENSEIGNEMENT DE LA LECTURE LITTÉRAIRE
Bibliographic record
Abstract
Cette contribution se propose d’analyser le logiciel réalisé dans le cadre du projet de recherche et développement LINUM. Lire, dire, écrire avec la littérature pour la jeunesse et le numérique (oct. 2014 – oct. 2017). Conçu comme un prototype d’enrichissements didactique et pédagogique pour enseigner et apprendre la lecture littéraire au cycle 3 de l’école primaire française, il permet aussi la constitution de données de recherche par les remontées de traces des activités des élèves comme de l’enseignant dans le cadre d’une expérimentation en classe. LINUM questionne donc à la fois les démarches d’élaboration des ressources numériques et les pratiques effectives d’enseignement et apprentissage dégagées par l’utilisation d’un dispositif didactique numérique en classe de littérature. L’article interroge ces deux aspects pour montrer d’une part en quoi l’élaboration de la ressource LINUM a tenté de modéliser un dispositif didactique pour enseigner la lecture littéraire qui prenne en compte les travaux récents des didacticiens de la littérature ; d’autre part comment les enseignants du panel expérimental se sont emparés de l’outil dans leurs classes. Après avoir défini le cadre théorique didactique et les contraintes technologiques qui ont guidé la conception de l’outil, la ressource sera décrite pour mettre en évidence la manière dont cet objet numérique configure un dispositif d’enseignement de la lecture littéraire. Enfin, une étude de cas fondée sur l’examen des parcours didactiques de deux enseignants expérimentateurs éclairera quelques modalités d’usage scolaire de la ressource pour mieux comprendre comment le numérique peut contribuer à organiser et révéler des pratiques effectives de lecture littéraire à l’école.
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 | 0.019 | 0.042 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.011 | 0.009 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.032 | 0.009 |
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".