Cocréation d’un projet sur les réalités autochtones au service du développement des compétences en littératie médiatique multimodale (LMM) et de la compétence numérique d’élèves du primaire : présentation du projet Premiers Peuples (p1P)
Bibliographic record
Abstract
Le projet Premiers Peuples, ou projet p1P, faisant partie du projet de recherche-action MultiNumériC, avait pour objectif d’amener des élèves de 6e année du primaire à être de meilleurs citoyens en développant leur compréhension des réalités des Premiers Peuples au Québec et au Canada. Il s’inscrit dans une initiative de cocréation de projets pédagogiques pour soutenir le développement de la compétence numérique par la littératie médiatique multimodale chez des élèves. Dans le cadre du projet p1P, des élèves ont pu mobiliser ces compétences en plus de celles liées à d’autres domaines d’apprentissage, dont celui de l’univers social. L’expérience de cocréation est présentée en quatre étapes : le portrait, le processus, le projet et la production. Les élèves ont été invités à développer et à actualiser leurs connaissances au regard des réalités des Premiers Peuples en les sensibilisant plus particulièrement aux réalités autochtones actuelles. À la suite d’une démarche planifiée (s’informer, choisir, produire et diffuser), les élèves ont pu, par le biais de productions numériques, mettre en lumière les apprentissages qu’ils avaient envie de partager avec les pairs et la communauté. Le projet Premiers Peuples a montré qu’une collaboration entre les milieux scolaires et la recherche est possible et fertile.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.005 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.021 | 0.003 |
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".