RÔLES ET FONCTIONS (ADJUVANTS OU OPPOSANTS) DE L’ILLUSTRATION DANS LES MANUELS D’APPRENTISSAGE DE LA LECTURE AU COURS PRÉPARATOIRE FRANÇAIS
Bibliographic record
Abstract
À partir d’un corpus d’exemples emblématiques, je me propose ici d’analyser quelques-unes des relations entre les textes et les illustrations dans les manuels d’apprentissage de la lecture. En effet, si de nombreuses études sur ces relations sont disponibles pour les albums dits de jeunesse, il n’en est pas de même pour les manuels scolaires. Or, ces derniers offrent depuis longtemps des hybridations de textes et d’illustrations. Dans un premier temps, à partir de la présentation d’une part des travaux de Moles (1978) et Klinkenberg (2008) et d’autre part d’une typologie reposant sur les relations de redondance, de contrepoint et de complémentarité, je montrerai quelles informations textuelles sont prioritairement prises en charge par les textes, d’une part, et par les illustrations, d’autre part. Un partage s’effectue entre narration et description, particularisation et généralisation. Dans un second temps, j’étudierai les systèmes de valeurs prônés ou repoussés par les manuels pris en exemples au travers de la représentation figurative des ensembles textes/images. Enfin, dans un troisième et dernier temps, je présenterai rapidement un « double » modèle de la compréhension/interprétation des textes en cours d’élaboration.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.019 | 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".