Quand des élèves de 5e et de 6e année s’autocorrigent dans un environnement numérique : conclusions et implications d’une recherche-action
Bibliographic record
Abstract
Dans cet article, nous rendons compte d’une recherche-action menée auprès d’élèves de 5e et de 6e années du primaire fréquentant des écoles publiques francophones de la région de Montréal, ainsi que de leurs enseignantes. Les jeunes participants ont écrit deux textes à dominante narrative. L’un de ces textes a été spécifiquement écrit à l’ordinateur, mettant alors à l’essai une démarche d’autocorrection numérique. L’analyse quantitative des erreurs commises dans les textes suggère des améliorations en orthographe, mais pas en syntaxe ni en ponctuation. Tandis que l’analyse qualitative de récits de pratique des enseignantes montre le bienfondé de la démarche. Ces enseignantes jugent en même temps cette démarche lourde et perfectible. Par ailleurs, cette étude nous semble offrir des atouts importants; elle peut contribuer à la formation initiale des futurs enseignants ; elle permet notamment de développer leur littératie scientifique, leur capacité à identifier les concepts en jeu dans une situation d’enseignement-apprentissage, ainsi que leur compétence numérique.
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 | 0.008 | 0.027 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.009 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| 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".