Évaluation et description de l’oral raconté au primaire : quelques pistes pour faire progresser les élèves
Bibliographic record
Abstract
Les difficultés liées à l’enseignement de l’oral s’expliquent en partie par le manque de critères bien définis permettant son évaluation (Nonnon, 1999, 2016) et par des gabarits de progression plutôt vagues (Gagnon, Bourhis & Bourdages, 2020). À l’aide d’un outil d’évaluation de l’oral narré reprenant les dimensions constitutives d’une production orale chez des élèves du primaire, nous avons analysé un corpus de narrations orales spontanées de 32 élèves de 6 à 10 ans, prises à deux moments : l’un avant une séquence d’enseignement sur le conte, et l’autre après. Des analyses quantitatives et qualitatives ont été menées afin de décrire les récits obtenus et de vérifier si la grille utilisée atteste de variations interindividuelles et de progrès, signes de son efficacité pour l’enseignement et la recherche. Les récits post-séquence s’avèrent plus longs et mieux construits sur le plan narratif, sans que le vocabulaire ne soit plus riche ou les structures grammaticales plus complexes. Nos analyses qualitatives rendent compte des croisements entre dimensions narratives et linguistiques, suggérant la présence de profils de conteuses et conteurs. Les résultats permettent d’élaborer certaines recommandations sur les objectifs d’apprentissage et l’organisation de l’enseignement de l’oral au primaire.
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 | 0.007 | 0.028 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 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".