Créer une carte narrative sur Google Maps : étude du raisonnement géographique et de la cohérence textuelle chez les élèves de la 9e année secondaire
Bibliographic record
Abstract
Les objectifs du présent article visent à examiner le raisonnement géographique manifesté chez des élèves de 9e année grâce à la création de cartes narratives sur Google Maps; à explorer les habiletés de ces élèves en ce qui a trait à l’utilisation de Google Maps; à estimer leur appréciation quant à l’intégration des cartes narratives au cours de géographie et à évaluer la qualité des textes qu’ils ont produits dans ces cartes narratives. Grâce à une méthode de recherche à la fois exploratoire et développementale, les cartes narratives sont examinées à l’aide de grilles d’analyse (raisonnement géographique et cohérence textuelle). Les résultats obtenus indiquent que les textes écrits sont essentiellement descriptifs et démontrent un certain raisonnement géographique relationnel avec des tentatives d’interprétation et d’explication limitées au site visuel. Si les élèves adaptent leur vocabulaire à la situation de communication, leurs textes descriptifs semblent manquer de cohérence macrostructurelle. Cependant, les élèves participants à l’étude semblent développer de nouvelles habiletés techniques sur Google Maps et apprécier l’intégration de la carte narrative au cours de géographie.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".