Bibliographic record
Abstract
Les autoévaluations sont des outils de formation qui ont le pouvoir d’améliorer les processus d’autorégulation et d’apprentissage linguistique chez les étudiants des classes de rédaction. Bien qu’elles aient fait l’objet de maintes études dans le contexte de l’apprentissage d’une langue principale, les autoévaluations ont été assez peu analysées dans celui de la rédaction en langue seconde (L2). Or, de récentes recherches indiquent que les exigences de la rédaction en L2 peuvent être moins lourdes lorsque les enseignants prennent le temps de cultiver chez leurs étudiants l’autorégulation et la métacognition, ce qui confère un rôle tout particulier à l’autoévaluation dans les classes de rédaction en L2 au primaire, du fait qu’elle contribue à améliorer les compétences d’autorégulation et de métacognition chez les apprenants. Les auteurs s’emploient à éclaircir les principales questions que soulève l’autoévaluation dans des situations rédactionnelles en L2 en présentant d’abord un concept théorique sous-jacent à l’autoévaluation en classe de L2. Ils font ensuite valoir les principes issus de la recherche guidant l’autoévaluation dans le cadre de l’enseignement de la L2 au primaire, proposent des façons d’incorporer l’autoévaluation aux divers stades de l’apprentissage de l’écriture et se penchent sur les défis e la mise en application de l’autoévaluation. En s’appuyant sur la théorie de l’étayage de Vygotsky et les recherches portant sur la métacognition et la formation métacognitive, les auteurs établissent un lien clair entre l’enseignement et l’apprentissage de cette technique d’évaluation et proposent des exemples tirés de diverses situations d’enseignement et d’apprentissage d’une langue seconde. En définitive, leur étude a pour intérêt de renseigner les enseignants sur la façon d’utiliser l’autoévaluation en classe afin de promouvoir l’autonomie et l’indépendance de l’apprenant.
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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".