L’engagement comportemental lors de l’écriture d’un texte narratif au primaire : l’effet du numérique et du niveau scolaire de l’élève
Bibliographic record
Abstract
Les élèves se disent plus motivés à écrire avec le numérique qu’avec le crayon (Alves-Wold et al., 2023 ; Camacho et al., 2021). Mais sont-ils plus engagés ? Peu d’études se sont intéressées à l’engagement des élèves vis-à-vis de l’écriture, et encore moins de l’écriture numérique (Martins et al., 2022). L’objectif de la présente étude est de comparer le niveau d’engagement comportemental d’élèves de 2e, 4e et 6e année (N = 255) vis-à-vis de l’utilisation du crayon ou du clavier pour produire un texte narratif. Après chaque séance d’écriture, les élèves ont répondu à un questionnaire (avec échelle de Likert) afin de rendre compte de leur engagement pendant l’activité réalisée. L’analyse de variance 3 (niveaux scolaires) X 2 (conditions : manuscrite, tapuscrite) sur le score moyen d’engagement montre que les élèves de 2e année sont aussi engagés dans les deux conditions, mais que les élèves de 4e et de 6e année sont plus engagés dans l’activité d’écriture tapuscrite. La discussion aborde le potentiel du numérique pour contrer le désengagement à un moment sensible du parcours primaire et trace les limites de la présente étude.
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 | 0.025 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".