L'interdisciplinarité : un moyen d'aiguiser l'intérêt pour le français /
Bibliographic record
Abstract
Titulaire d'une maitrise en psychopédagogie de l'Université Laval, Isabelle Cabot enseigne la psychologie au cégep Saint-Jean-sur-Richelieu depuis 2004.Cherchant des moyens d'aider ses élèves à remettre des travaux écrits de meilleure qualité, elle conçoit en 2008 un dispositif d'intervention interdisciplinaire visant à stimuler l'intérêt des élèves inscrits au cours de mise à niveau en français.Ses travaux, subventionnés par le ministère de l'Éducation, du Loisir et du Sport (MELS), sont menés dans le cadre du Programme d'aide à la recherche sur l'enseignement et l'apprentissage (PAREA).e présent article expose les premiers résultats d'une étude portant sur l'amélioration de la qualité du français écrit et, plus précisément, sur l'augmentation du taux de réussite au cours de mise à niveau en français (MNF).Dans le cadre de ces travaux, j'ai aménagé un dispositif d'intervention pour un groupe d'étudiants du cégep Saint-Jean-sur-Richelieu inscrits au cours de MNF à l'automne 2008 et pour un autre à l'automne 2009.L'étude traite essentiellement de la théorie du développement de l'intérêt et de la recherche d'une formule pédagogique qui puisse le favoriser.L'objectif : stimuler l'intérêt pour le français et, par le fait même, améliorer l'implication des étudiants dans le cours de MNF ainsi que leur performance.
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 | 0.018 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.011 | 0.012 |
| Scholarly communication | 0.014 | 0.007 |
| Open science | 0.002 | 0.015 |
| Research integrity | 0.003 | 0.007 |
| Insufficient payload (model declined to judge) | 0.014 | 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".