Pratiques (numériques) de rétroaction corrective des enseignants de langue et prototype d'outil numérique pour les optimiser
Bibliographic record
Abstract
Cet article décrit un projet de recherche-développement à visée formative qui porte sur les pratiques (numériques) de rétroaction corrective écrite (RCE) des enseignants de langue et la conception d'un outil numérique qui vise à les optimiser. L'article propose d'abord une vue d'ensemble sur le concept de RCE et sur les recherches empiriques qui se sont intéressées à la RCE du point de vue des enseignants. On y présente ensuite les faits saillants de deux enquêtes, pré (n = 25) et en pandémie (n = 17), sur les pratiques (numériques) de RCE d'enseignants de langue. Les résultats montrent que la RCE est une tâche importante et fastidieuse pour les enseignants, qui ont tendance à fournir des RCE exhaustives et axées sur la forme. Ils montrent aussi certaines pratiques numériques en place avant la pandémie, principalement liées à l'usage de logiciels de traitement de texte, et que la pandémie a amplifiées. Enfin, ils valident les fonctions proposées pour notre outil, qui permet à l'enseignant de développer des grilles d'annotation, d'annoter les textes et d'obtenir des statistiques de performance linguistique, notamment lexicales. Nous présentons brièvement cet outil en mettant en évidence ses affordances pour la RCE. Nous concluons en annonçant les suites du projet.
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 | 0.006 | 0.031 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.005 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.017 | 0.004 |
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".