Bibliographic record
Abstract
À l’occasion d’une large enquête sur les pratiques enseignantes relatives aux savoirs narratologiques qui seraient mobilisés dans les classes de français (Mahieu, 2022), le volet québécois de celle-ci s’est vu augmenté de questions portant sur les nouveaux genres littéraires en émergence : twittérature, poésie numérique, livre enrichi, application littéraire… Menée entre octobre 2022 et février 2023, cette enquête visait plus spécifiquement à documenter la place que peuvent occuper ces nouveaux genres littéraires numériques dans les classes de français, tant au secondaire qu’au collégial. S’insérant dans la problématique au coeur des travaux de l’équipe Lab-yrinthe autour de Nathalie Lacelle et de ceux menés par l’équipe LMM en littératie médiatique multimodale en contexte numérique (Lacelle et al., 2017), cet article présente et discute les résultats obtenus auprès de 99 enseignant·e·s québécois·e·s (25 au premier cycle du secondaire, 48 au second cycle, 35 au collégial) à propos des questions suivantes : quels genres littéraires émergents sont en train de se frayer un chemin dans les classes ? À quels niveaux ? Pour quelles finalités ? Est-ce dans une perspective de réception, de production, ou encore de rapprochement à de supposées pratiques sociales ? Enfin, les enseignant·e·s empruntant ces voies nouvelles se sentent-elles et·ils compétents et légitimes à le faire ?
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 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.014 | 0.009 |
| Scholarly communication | 0.014 | 0.006 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.029 | 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".