Rapport à l’écrit de personnes enseignant au collégial dans toutes les disciplines
Bibliographic record
Abstract
La faible compétence en écriture des élèves du collégial francophone est au cœur de rapports officiels (p. ex. Boivin et al., 2022) comme d’écrits destinés à un large public (p. ex. Dion-Viens, 2022). Pourtant, la formation collégiale devrait amener tous les élèves à parfaire leur compétence en écriture à travers les différents cours de leur programme (MEES, 2017). Nous avons décrit le rapport à l’écrit (Blaser et al., 2015) de personnes enseignant les diverses disciplines au collégial puisque ce rapport influence l’accompagnement offert. Nous avons sondé 72 personnes enseignantes œuvrant dans des collèges de six régions du Québec. Le questionnaire porte sur leurs pratiques d’enseignement de l’écriture, leur conception de l’écriture et de son apprentissage, la valeur qu’elles accordent à l’enseignement de l’écriture et les sentiments qu’elles éprouvent devant cet enseignement. Des statistiques descriptives ont révélé des différences significatives entre les personnes enseignant le français et leurs collègues des autres matières pour les différentes dimensions du rapport à l’écrit. Les analyses montrent également des corrélations entre la dimension axiologique et les dimensions affective et praxéologique.
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 | 0.005 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.003 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 0.002 |
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".