Quels sont les défis des élèves québécois de deuxième secondaire en orthographe lexicale ?
Bibliographic record
Abstract
L’orthographe lexicale s’avère complexe pour les élèves, car son apprentissage implique la considération de plusieurs connaissances. Cette étude examine les défis en orthographe lexicale d’élèves québécois de 2e secondaire en considérant l’hétérogénéité croissante des classes ordinaires. Pour ce faire, 420 élèves répartis en trois groupes (tout venant [ETV], rencontrant des difficultés en écriture [EDE], en contexte d’apprentissage du français comme langue additionnelle [EFLA]) ont réalisé une dictée à trous de 36 mots dans laquelle différentes variables linguistiques ont été prises en compte : la longueur et la complexité des mots. Des ANOVAS ont permis de voir si les performances des groupes se distinguaient selon les variables linguistiques étudiées. Les résultats montrent que les ETV et les EFLA réussissent mieux que les EDE et que les performances des ETV et des EFLA ne se différencient pas sur le plan statistique. Ensuite, il apparaît : 1) que les mots courts sont moins réussis que les longs ; 2) que les lettres muettes non dérivables sont moins bien réussies que les dérivables ; 3) et que les consonnes doubles sont moins bien réussies que les autres phonèmes multigraphémiques. Les résultats sont discutés à la lumière des données théoriques et empiriques disponibles.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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".