Coévaluations formatives élève-élève et enseignant·e-élève : effets sur la compétence à communiquer oralement d’élèves du secondaire
Bibliographic record
Abstract
L'évaluation formative de l'oral, contribuant notamment à la diminution du stress des élèves à l'égard des présentations orales (Paquet, 2021), est peu présente en classe de français langue d'enseignement au niveau secondaire au Québec (Vega, 2013). Par ailleurs, la coévaluation, un moyen pouvant être mobilisé pour évaluer la compétence à communiquer oralement (CCO) en cours d'apprentissage, semble méconnue des personnes enseignantes (Dumais, 2008; Sénéchal, 2012) et peu de recherches s'y sont intéressées en contexte québécois. Nous avons donc mené une recherche ayant les deux objectifs suivants : 1) mesurer des effets de la coévaluation formative sur le développement de la CCO d’élèves du secondaire; 2) décrire des raisons pouvant expliquer ces effets. Pour ce faire, une recherche par méthodes mixtes a été réalisée auprès de trois groupes de première secondaire (élèves de 12 et 13 ans). Une séquence d'enseignement de l'oral comprenant une coévaluation formative élève-élève (groupe expérimental 1) ou enseignant·e-élève (groupe expérimental 2) a été mise en place. Les résultats issus d'un prétest et d'un posttest indiquent que les deux coévaluations produisent un effet d’amélioration similaire. De plus, une analyse de contenu des verbatims d'entrevues semi-dirigées nous a permis de décrire 11 raisons pouvant expliquer les effets produits par les deux coévaluations expérimentées.
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 | 0.010 | 0.034 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| 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 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
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".