COURS DE LITTÉRATURE OU COURS DE LITTÉRATURE NUMÉRIQUE ? ÉLÉMENTS DE CADRAGE DISCIPLINAIRE À PARTIR DE PRATIQUES UNIVERSITAIRES
Bibliographic record
Abstract
Pour éclairer le choix qui se pose au professeur de littérature entre un cours dédié au numérique et un cours intégrant le numérique comme un des paramètres de son enseignement, l’étude propose trois approches successives : par les objets d’enseignement, par les usages en formation, par le recueil de représentations. Si l’intégration d’oeuvres numériques au cours de littérature s’envisage aisément dans une perspective d’histoire littéraire aussi bien que dans celle d’une lecture analytique (Bootz, 2019; Dall’Armellina, 2015; Petitjean et Brunel, 2018), le regard porté sur des expériences menées en formation amène à percevoir beaucoup plus radicalement les perturbations engendrées par le numérique sur les repères distinctifs de l’oeuvre, de la littérarité ou de l’auteur singulier (Bouchardon, 2014; Gefen, 2012; Saemmer, 2018). Le déplacement de l’attention vers l’intérieur des processus de création, favorisé par les usages de la production numérique et renvoyant à un principe d’apprentissage littéraire par l’expérimentation (Dewey, 1934), sollicite le déploiement d’une armature didactique qui n’ignore pas les spécificités de l’écriture sur écran (Lacelle et al., 2017; Petitjean et al., 2017). Pour documenter ce troisième plan, deux enquêtes ont été menées en parallèle auprès d’enseignants (75 répondants) et auprès d’écrivains et apprentis écrivains (90 répondants). Leur analyse comparée met en évidence un certain nombre de clivages entre les représentations et les pratiques effectives, mais également une appétence des enseignants pour une meilleure connaissance des mutations des pratiques rédactionnelles des écrivains. L’étude est menée avec le concours du groupe de recherche « Écriture créative en formations : enjeux épistémologiques et méthodologies de recherche » de l’Initiative d’excellence Paris Seine.
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 | 0.009 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.007 | 0.027 |
| Scholarly communication | 0.016 | 0.018 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.016 | 0.002 |
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".