Émotions et apprentissage de l'anglais dans l’enseignement supérieur : une approche visuelle
Notice bibliographique
Résumé
Dans le contexte actuel, où l’anglais prend une place de plus en plus importante dans l’enseignement à l’université, aussi bien pour la recherche que pour les enseignements, il est important d’explorer les attitudes des acteurs se voyant utiliser l’anglais de manière régulière au sein de l’enseignement supérieur en France. Cet article propose des outils à la fois pédagogiques et analytiques pour réfléchir sur les vécus d’enseignants-chercheurs et d’étudiants qui utilisent et apprennent l’anglais à la Faculté des Sciences de Nantes, France. Des outils méthodologiques qui associent le langage au dessin, sont proposés sous formes de mind-maps du cerveau (Buzan, Reynolds), de graphiques circulaires, de portraits corporels du langage (Busch) et de parcours de l’apprenant de l’anglais (Kehrwald). Les créations visuelles sont analysées comme étant des exemples d’identités non-figées, créées par des locuteurs qui réagissent émotionnellement à leurs environnements d’apprenants en tant que créateurs de l’anglais (Jenkins). Emotions and learning English in higher education : a visual approach. Abstract: In France, where English is gaining ground in higher education, it is important to explore the attitudes of those who now use it on a regular basis. This article describes the pedagogical and analytical tools used to gather learner-identity accounts from academics and postgraduate student users of English at the university of Nantes, France. The methodological approaches, which combined language and drawing, were based on mind-maps (Buzan, Reynolds), pie-charts, language portraits (Busch), and language learner histories (Kehrwald). The resultant notes and drawings were analysed as representations of non-fixed identities of rightful creators of English who reacted emotionally to their learning environments (Jenkins).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,016 |
| Communication savante | 0,013 | 0,010 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».