Recommander une œuvre narrative en français et en anglais : analyse de textes d’élèves de 6e primaire écrits à la suite d’un coenseignement bilingue du genre
Bibliographic record
Abstract
L’approche par genres en classe de langues première et seconde est connue pour ses bénéfices. Au Québec, le programme d’anglais intensif offert en 6e année du primaire vient empiéter sur un temps précieux d’enseignement d’autres disciplines, dont le français. L’objectif éducatif étant de doter les élèves de solides compétences scripturales en français et en anglais, nous avons proposé à deux enseignantes, l’une titulaire, l’autre d’anglais langue seconde, la mise en œuvre d’une séquence didactique visant la découverte des caractéristiques d’un genre, la recommandation d’une œuvre narrative, en contexte de coenseignement bilingue. L’analyse d’une trentaine de textes produits par ces élèves à la suite de la séquence vise à décrire les caractéristiques du genre qui se retrouvent dans les textes produits aux termes de cette première mise en œuvre. L’article présente les procédés de prise de contact avec le lectorat, de résumés suspensifs de l’œuvre recommandée et des procédés de mise en valeur des qualités de l’œuvre qui ont été repérés dans les textes en français et en anglais. Ces résultats nous permettent de penser que les élèves ont construit une bonne compréhension du genre et que la séquence soumise à ces enseignantes mérite d’être davantage développée, ce dont il sera question en conclusion.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.007 | 0.007 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
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".