Améliorer la ponctuation des élèves : expérimentation en classe et résultats dans des textes d’élèves du primaire et du secondaire au Québec
Bibliographic record
Abstract
Les textes des élèves du primaire et du secondaire montrent une forte proportion d’erreurs à l’écrit relevant de la ponctuation (Boivin et Pinsonneault, 2018, entre autres). Or, l’enseignement de la ponctuation n’offre souvent aux élèves que des possibilités limitées d'améliorer leur contrôle de l’usage des signes en contexte d'écriture (Riverin et Dufour, 2018). Cet article présente une étude de type quasi-expérimental impliquant 16 classes de français de 3e cycle du primaire et de 1er cycle du secondaire au Québec (10 à 13 ans). Les élèves des groupes expérimentaux ont réalisé une séquence de 20 activités mettant en œuvre trois dispositifs didactiques innovants, conçus au cours d’une première phase de la recherche, en concertation avec les enseignantes et enseignants. Ces dispositifs visent à améliorer la ponctuation et la syntaxe à l’écrit. Nous présenterons les résultats tirés de l’analyse de courts textes écrits au prétest et au posttest (deux textes à chaque temps: un descriptif et un narratif) dans le groupe expérimental et le groupe contrôle en lien avec des variables de réussites dans la segmentation en phrases graphiques (majuscule-point) et dans la ponctuation à l’intérieur des phrases graphiques et des phrases syntaxiques (sujet + prédicat (+ complément(s) de phrase)), pour quelques règles d’usage de la virgule.
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 | 0.004 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".