Regards croisés sur des clés d’analyse pour la sélection d’œuvres de littérature jeunesse traitant de savoirs, réalités et cultures autochtones
Bibliographic record
Abstract
Tant en contexte canadien que calédonien, des orientations gouvernementales et différentes actions sont mises en œuvre pour que les personnes enseignantes incluent les perspectives autochtones à leur enseignement. Malgré ces directives, les personnes enseignantes de ces différents contextes ressentent de l’inconfort, et nomment qu’elles manquent d’outils pour favoriser cette inclusion (Aitken et Radford, 2018). Toutefois, la littérature de jeunesse autochtone se multiplie tant au Canada qu’en Nouvelle-Calédonie, et les personnes enseignantes disent utiliser la littérature autochtone en classe (Côté, 2019). Cet article propose des regards croisés sur un outil d’analyse d’œuvres de littérature de jeunesse traitant de savoirs, réalités et cultures autochtones. En guise de résultats, l’article présente neuf clés d’analyse au moyen d’exemples issus de la littérature de jeunesse autochtone canadienne et kanak. Des regards croisés ouvrent la discussion à savoir si les critères élaborés en contexte canadien peuvent se transférer ou non à d’autres contextes, ici, plus précisément, celui de la Nouvelle-Calédonie. La discussion met en lumière que les clés d’analyse résonnent dans cet autre contexte, même si quelques nuances sont présentes dans l’interprétation et l’utilisation de ces dernières.
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 | 0.016 | 0.029 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.007 |
| Science and technology studies | 0.012 | 0.012 |
| Scholarly communication | 0.015 | 0.011 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.013 | 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".