Que nous apprennent les dessins d’élèves sur les émotions qu’ils et elles ressentent lors d’un exposé oral devant la classe ?
Bibliographic record
Abstract
Parler en public fait émerger des émotions fortes chez l’orateur ou l’oratrice. Or, ressentir des émotions négatives en parlant en public peut constituer un obstacle à la réussite dans les domaines éducatif, professionnel et social tout au long de la vie. À l’heure actuelle, il y a peu de connaissances sur ce que ressentent les élèves en situation de prise de parole et sur comment les sonder pour leur permettre d’en tenir compte dans le développement de leur compétence à communiquer oralement. L’exposé oral étant un genre oral souvent sollicité dans les écoles dès le primaire, nous avons étudié des productions d’élèves du primaire. L’objectif de notre contribution est d’analyser comment des élèves illustrent leurs émotions dans le cadre d’un exposé oral en classe. Pour répondre à notre question de recherche, nous avons demandé à 236 élèves de 10-12 ans, issus et issues de 11 écoles en Belgique francophone, de faire un dessin qui représente le lien entre leurs émotions ressenties et un exposé oral qu’ils venaient juste de présenter et d’en donner une explication écrite ou orale. Nos analyses montrent que la moitié des élèves représentent des émotions mixtes (53%), d’autres uniquement des émotions positives (26%) ou uniquement négatives (21%) concernant leur exposé.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.005 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.018 | 0.003 |
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".