Reading comprehension development: Presentation of the special issue
Bibliographic record
Abstract
Résumé Les articles présentés dans ce numéro spécial s’organisent autour de trois questions théoriques majeures dans le champ des recherches sur la compréhension en lecture. La première est liée à la description des habiletés prédictives de la performance. Parmi les multiples habiletés linguistiques et cognitives impliquées, le vocabulaire a fortement retenu l’attention des chercheurs. Trois articles décrivent son influence et ses relations aux processus de compréhension. La deuxième question est centrée sur le problème de l’évaluation et de l’analyse des différences individuelles. Malgré la nature multidimensionnelle de l’activité de compréhension en lecture, la plupart des tests existant fournissent une mesure unitaire de la performance. Le problème consiste à savoir quelles sont les habiletés exactement évaluées par ces épreuves. Quatre articles sont consacrés à cette question. L’enseignement de la compréhension est récemment devenu une préoccupation majeure et représente la troisième question abordée. Le développement précoce du langage oral étant très prédictif de la compréhension ultérieure en lecture, l’accent a été mis sur les recherches interventionnelles destinées à améliorer la maitrise du langage oral à l’école maternelle. La dernière recherche présentée dans ce numéro aborde cette question.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.076 | 0.021 |
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".