L’apprentissage du rehaussement et de l’accroissement pour améliorer la cohérence textuelle : une étude multicas en formation des maitres
Bibliographic record
Abstract
Cet article présente les résultats d’une recherche doctorale qui examine le développement de la compétence métalangagière de six étudiantes en formation initiale à l’enseignement considérées comme en difficulté. L’objectif est d’analyser les retombées d’une démarche didactique qui vise l’apprentissage de deux stratégies d’amplification syntaxique, soit le rehaussement (mobilisant le complément du nom) et l’accroissement (mobilisant le complément de phrase), sur leur capacité à produire des textes argumentatifs cohérents.La méthodologie repose sur une étude multicas. La démarche didactique, qui s’inscrivait dans les principes de l’enseignement explicite, s’est étalée sur cinq séances universitaires. Les données collectées comprennent deux rédactions et deux entretiens métascripturaux analysés selon des indicateurs de compétence métalangagière à six niveaux développés pour la recherche.Les résultats révèlent des progressions différenciées : cinq participantes sur six ont progressé d’au moins un niveau pour le rehaussement, tandis que quatre sur six ont progressé pour l’accroissement. Les gains les plus notables concernent la compréhension de la modalisation et son rôle dans l’argumentation. Cependant, ces progrès demeurent modestes et dépendants d’un étayage important. Les participantes peinent encore à identifier spontanément les structures syntaxiques et à expliciter leur contribution à la cohérence textuelle, particulièrement pour la problématisation.Globalement, l’étude souligne la complexité du développement de la compétence métalangagière et insiste sur l’importance d’un enseignement plus soutenu pour amener les futurs enseignants à maitriser efficacement l’écriture argumentative.
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 | 0.017 | 0.052 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.007 | 0.009 |
| Open science | 0.001 | 0.005 |
| 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".