Les inégalités d’accès, de compétences et de pouvoir d’agir numériques et linguistiques des élèves : perspectives du personnel enseignant en Ontario français
Bibliographic record
Abstract
Depuis la crise de la COVID-19, l’intérêt pour les liens entre inégalités sociales et numériques à l’école a grandi, mais les recherches sur leur dimension linguistique restent absentes. À partir d’une analyse thématique de verbatim de 22 entrevues semi-dirigées menées auprès d’enseignantes et enseignants francophones de l’Ontario de mars à juin 2020, notre étude souligne en quoi les élèves de la 4 e à la 8 e année vivent des inégalités d’accès (p. ex. fréquence et diversité d’outils), de compétences (p. ex. occasions d’exposition et d’accompagnement à l’école et à la maison) et de pouvoir d’agir numériques (p. ex. confiance pour se filmer, participer en ligne). Nous dévoilons aussi comment, à ces inégalités, s’ajoutent des inégalités numériques linguistiques, telles les inégalités d’accès à des ressources en français pertinentes au contexte local ou de compétences numériques liées à des défis de répertoire et de sécurité linguistique. Finalement, nous proposons des pistes de réflexion et d’action pour viser le pouvoir d’agir numérique des élèves et contribuer au rayonnement des communautés francophones minoritaires en ligne.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.016 | 0.011 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
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".