ÉRO : une Échelle du Rapport à l’Oral des (futurs) enseignants. Résultats des analyses exploratoires et confirmatoires
Bibliographic record
Abstract
Jusqu’à présent, en didactique des langues, le « rapport à » a principalement été étudié à travers l’écrit. Documentée dans des écrits scientifiques principalement francophones, la notion de « rapport à l’écrit », sa modélisation et ses dimensions constitutives ont été déterminées de façon théorique, et n'ont pas, à notre connaissance, été mises à l'épreuve à l’aide d'études psychométriques pour valider le construit et sa dimensionnalité. Une telle clarification contribuerait à préciser les référents et à stabiliser le statut de cette notion. Concernant l'oral, il n’existe que très peu de travaux sur la question du « rapport à ». Cette contribution sera l’occasion de présenter la méthodologie de recherche utilisée pour développer une modélisation et une échelle psychométrique du « rapport à l’oral », baptisée ÉRO (Échelle du Rapport à l’Oral, Colognesi et al., 2023). Il s’agit d’un projet d’envergure qui rassemble des expertises et des investigations provenant de Belgique, de France, du Québec, des Pays-Bas et de la Suisse romande. Ainsi, les grandes étapes du processus seront d’abord décrites, puis les résultats des analyses exploratoires et confirmatoires qui ont été menées auprès de plus de 1000 (futurs) personnes enseignantes de la Belgique francophone. Les dimensions du rapport à l’oral, telles que dégagées à l’issue de ces analyses, seront ainsi présentées. Nous terminerons en annonçant nos perspectives de travail, impliquant les différents pays.
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 | 0.040 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.010 | 0.010 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.020 | 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".