Bibliographic record
Abstract
Fin juin 2017. Je viens de terminer mon annee de travail comme intervenante en eveil a la lecture au Centre de la petite Enfance dans l’est de Montreal, a raison de deux jours par semaine. Mon premier objectif est de creer une dynamique positive autour des livres et de la lecture, tant aupres des enfants que des educatrices. J’anime les lectures en petits groupes et je suis les enfants qui arrivent au Centre n’ayant pas ou peu d’interet pour les livres. Je vais a leur rencontre comme je vais a la peche : je choisis bien mon appât ! Grâce aux nombreux livres de qualite que nous possedons et une bonne strategie, ca marche ! Mon second objectif est de creer des « moments de langage » autour des livres. Contrairement a certaines pratiques en eveil a la lecture, je ne pose presque jamais de questions aux enfants sur les lectures. Une des raisons en est que seuls les enfants les plus avances au niveau langagier ont les moyens de repondre, les autres risquant de se murer encore davantage dans le silence. Par contre, je rebondis sur toute intervention de l’enfant, que ce soit un doigt pointe sur une image, un mot ou un enonce, surtout s’il s’agit d’un enfant en difficulte langagiere. Et je pars de la pour une premiere interaction. Le plus fascinant dans mon travail, c’est de developper les possibilites de raisonnement des enfants en les soutenant dans leurs tâtonnements. En effet, qui ecoute peut les entendre raisonner. Cette semaine, lors de la lecture du livre Mais ou est la maiso
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 | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.002 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.266 | 0.108 |
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".