MétaCan
Menu
Retour à la cohorte
Enregistrement W2499179907 · doi:10.26522/vp.v13i1.1372

Être créatif avec les technologies : enseigner le français de spécialité au niveau Master dans les cours de langues étrangères à l’Université de Turin

2016· article· fr· W2499179907 sur OpenAlexvenueno aff
Adriana Teresa Damascelli, Marie-Berthe Vittoz

Notice bibliographique

RevueVoix Plurielles · 2016
Typearticle
Languefr
DomaineSocial Sciences
ThématiqueFrench Language Learning Methods
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHumanitiesPolitical scienceArt

Résumé

récupéré en direct d'OpenAlex

Aujourd’hui le monde du travail et la situation complexe de la société exigent des connaissances spécialisées et des compétences hétérogènes surtout orientées vers le numérique pour pouvoir répondre, au mieux, aux attentes professionnelles. Il devient alors nécessaire de penser à une éducation plus dynamique, où la didactique, y compris celle des langues, soit conçue dans des termes différents. Grâce à la créativité, il est possible d’adopter des stratégies innovatrices qui permettent, en même temps, de développer de nouvelles méthodes, de nouveaux outils, de nouveaux contenus et des environnements d’apprentissage efficaces. En effet, à travers ces stratégies, on peut impliquer les étudiants dans des activités qui leur permettent de développer eux-mêmes leur créativité comme moyen pour résoudre des problèmes ou pour développer des capacités analytiques. Mais alors comment peut-on être créatif dans l’enseignement du français de spécialité au niveau avancé ? Le but de cet article est de rendre compte d’une expérimentation qui a eu lieu au Centre des Langues de l’Université de Turin où un environnement numérique technologique à disposition des professeurs et des étudiants permet de programmer des parcours spécifiques et articulés pour enseigner et apprendre les langues étrangères. Par l’intégration d’applications numériques, les activités didactiques peuvent être menées d’une manière innovante par les étudiants à travers des travaux individuels de recherche grâce à Internet et à l’intégration de la linguistique de corpus avec la traduction assistée par ordinateur. Les étudiants ont collecté un corpus de textes extraits de sites institutionnels et à travers un logiciel de traitement des textes tels que SketchEngine (liste de mots, concordancier) et un logiciel professionnel tel que Trados 2011 (mémoire de traduction et base de données terminologique) ont accompli les tâches assignées pour l’analyse de la communication institutionnelle internationale et sa médiation dans la langue italienne et française et de la terminologie.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,198
Score d'incertitude au seuil0,394

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,008
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0110,007
Communication savante0,0110,008
Science ouverte0,0010,005
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0170,003

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,252
Écart entre enseignants0,233 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueVoix PluriellesMême sujetFrench Language Learning MethodsTravaux en français237 207