Bibliographic record
Abstract
La compréhension de textes littéraires constitue un des objets de la classe de français. Plus précisément cela signifie que l'élève doit faire montre de ses habiletés langagières, dont celle de se livrer à "un calcul interprétatif”, selon la formule consacrée depuis quelques années, soit "tenir compte de tous les éléments intra et extratextuels, qui concourent à ce calcul, soient-ils linguistiques, pragmatiques ou sémiotiques” (Béland, 1985, p. 96). Pour vérifier ce calcul interprétatif, nous avons observé comment des sujets âgés de 12 et 15 ans anticipaient un dialogue inséré dans une fable et ce, par des traces d'écriture. Pour ce faire, nous avons dépouillé 207 textes, produits dans six situations différentes d'écriture par 43 sujets québécois de Sherbrooke (6e année) et de Granby (Sec. III, Professionnel court). Pour le dépouillement, nous avons adopté le point de vue d'un enseignant préoccupé par le développement des habiletés langagières de ses sujets. C'est ainsi que nous avons relevé diverses manifestations qui rendent compte de ce travail de lecture dont celui du respect des signes de ponctuation, l'identification des tours de parole, la présence ou non d'actes de langage dans le dialogue. Ce dépouillement a révélé que l'habileté à anticiper des réparties dialogiques tend à s'accroître lorsqu'elle s'exerce dans une série composée de discours narratifs, de même nature. Ce qui était notre première hypothèse. De plus, d’un point de vue didactique, il nous a semblé important de localiser l'origine des difficultés en cernant les cheminements adoptés selon deux points de vue: lecturel et discursif. Ceux-ci ont permis de mettre en relief les nombreuses difficultés auxquelles se sont butés les lecteurs scripteurs, mais aussi de distinguer celles qui relèvent d'une habileté réduite à anticiper, faute de pouvoir repérer et mettre en relation divers indices (iconiques, linguistiques et extralinguistiques), en regard du dispositif discursif et celles qui sont dues à une méconnaissance des enjeux discursifs faute d'expériences suffisantes, dans le domaine retenu. Les nombreuses observations nous ont incité à dégager quelques "perspectives didactiques" qui pourront orienter, voire même faciliter le travail d'intervention de l'enseignant en compréhension de texte.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.004 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.102 | 0.024 |
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".