MétaCan
Menu
Back to cohort
Record W4307743392 · doi:10.37213/cjal.2022.32589

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

2022· article· fr· W4307743392 on OpenAlexaffvenue
Marie‐Hélène Forget, Joël Thibeault

Bibliographic record

VenueCanadian Journal of Applied Linguistics · 2022
Typearticle
Languagefr
FieldArts and Humanities
TopicLinguistics and Discourse Analysis
Canadian institutionsUniversity of OttawaUniversité du Québec à Trois-Rivières
Fundersnot available
KeywordsHumanitiesArtPhilosophy

Abstract

fetched live from OpenAlex

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.003
metaresearch head score (Gemma)0.003
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Science and technology studies, Insufficient payload (model declined to judge)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Not applicable · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: none
Teacher disagreement score0.784
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0030.003
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.000
Bibliometrics0.0010.000
Science and technology studies0.0020.001
Scholarly communication0.0010.000
Open science0.0010.000
Research integrity0.0000.001
Insufficient payload (model declined to judge)0.0040.000

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.

Opus teacher head0.010
GPT teacher head0.238
Teacher spread0.228 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designNot applicable
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2022
Admission routes2
Has abstractyes

Explore more

Same venueCanadian Journal of Applied LinguisticsSame topicLinguistics and Discourse AnalysisFrench-language works237,207