Oral-écrit : quelle articulation dans les productions de récits au primaire ? Une revue systématique de la littérature
Bibliographic record
Abstract
Si la recherche et le corps enseignant peuvent s’entendre sur la complémentarité de l’oral et de l’écrit dans l’apprentissage de la langue de scolarisation, les contenus et les démarches de l’enseignement de la production orale améliorant effectivement le passage à l’écrit sont encore peu connus. La présente contribution interroge ce constat grâce à une revue systématique de la littérature qui vise à comprendre les éléments favorisant l’articulation d’un travail de l’oral et de l’écrit à l’école primaire dans le cadre de la production de narrations. L’analyse des neuf textes sélectionnés à l’issue d’une recherche dans cinq bases de données anglophones et deux francophones montre, alors même que le récit oral est peu travaillé dans les classes de primaire, que les compétences en narration orale sont un facteur prédictif des compétences narratives écrites. Selon les études consultées, c’est sur le plan de la structure narrative que l’enseignement du récit à l’oral a le plus d’effets significatifs à l’écrit.
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) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.003 | 0.017 |
| Scholarly communication | 0.012 | 0.010 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".