Développement et validation d’une séquence d’entraînement à l’utilisation des stratégies de tuteur.trice.s en classe d’accueil au primaire : réactions des enseignant.e.s
Bibliographic record
Abstract
L'intégration des élèves allophones dans les classes d'accueil au Québec représente un défi pour les enseignant.e.s, confronté.e.s à une grande diversité linguistique au sein de leur groupe d’élèves, lesquels possèdent par ailleurs des niveaux de compétence variables en français. Afin de permettre aux enseignant.e.s de mettre en place des pratiques propices à l’apprentissage de la langue cible, notre étude vise à développer et implanter une séquence d'entrainement à l’utilisation des stratégies de tuteur.trice.s (EUST) adaptée aux classes d'accueil à Montréal, laquelle se veut une étape préalable à l’implantation d’un programme d’enseignement par les pairs (EPP). En s'appuyant sur le modèle de Van der Maren (1996), notre recherche-développement se déploie pendant une année scolaire dans deux classes d’accueil de Montréal. Cette séquence comporte trois stratégies enseignées selon quatre étapes d’enseignement, soit la modélisation, la pratique guidée, la consolidation ainsi que la pratique indépendante. Les commentaires des candidates ont été recueillis grâce à des entrées dans des journaux de bord ainsi que lors de rencontres collectives. Selon ces commentaires, l’implantation de la séquence a apporté des effets positifs sur l'ambiance en classe, sur la motivation des élèves et sur le développement de leurs compétences langagières. Néanmoins, les enseignantes ont rencontré des défis en matière de gestion des activités, d'adaptation du matériel et d'observation de l'utilisation des stratégies par les élèves. Malgré des limites méthodologiques, dont notamment un échantillon restreint et des outils de collecte de données perfectibles, cette étude ouvre des perspectives pour la recherche future. La séquence d'EUST se révèle être un outil prometteur pour les classes d'accueil montréalaises, offrant des pistes d'amélioration pour son implantation et contribuant ainsi à enrichir les connaissances sur l'EPP et les stratégies à enseigner au préalable.
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 | 0.011 | 0.030 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".