Les effets d’un dispositif d’enseignement du vocabulaire pluridimensionnel et multimodal sur les connaissances lexicales d’élèves en quatrième primaire
Bibliographic record
Abstract
La présente étude cherche à mesurer l’impact d’un enseignement explicite et pluridimensionnel du vocabulaire — c’est-à-dire qui s’intéresse aux différentes facettes de la connaissance des mots (forme, sens et utilisation) — sur les progrès d’élèves québécois de 4e année primaire (CM1) à des épreuves de compréhension en lecture, d’orthographe, d’étendue et de profondeur du vocabulaire. Cet enseignement est aussi comparé à un enseignement du vocabulaire plus traditionnel basé sur des listes de mots à mémoriser dans une perspective orthographique. Les résultats démontrent qu’au terme de dix semaines d’enseignement, les élèves ayant bénéficié d’un enseignement pluridimensionnel ont progressé de façon significative par rapport aux élèves ayant reçu un enseignement à partir de listes de mots sur le plan de la maitrise de l’orthographe des 72 mots ciblés et de la profondeur de la connaissance lexicale associée à ces mots. Les résultats suggèrent aussi qu’une approche multimodale incluant des activités menées à l’oral et d’autres faisant appel à la lecture s’avère plus efficace qu’une approche menée à l’oral seulement.
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 | 0.002 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.017 | 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".