MétaCan
Menu
Retour à la cohorte
Enregistrement W3113486983 · doi:10.3138/cmlr-2020-0002

“Learning French Is Like Trying to Skate”: Constructing Identity through Metaphor

2020· article· fr· W3113486983 sur OpenAlexaffvenue
Wendy D. Bokhorst‐Heng, Kelle L. Marshall

Notice bibliographique

RevueCanadian Modern Language Review/ La Revue canadienne des langues vivantes · 2020
Typearticle
Languefr
DomainePsychology
ThématiqueLanguage, Metaphor, and Cognition
Établissements canadiensCrandall University
Organismes subventionnairesnon disponible
Mots-clésHumanitiesArtPhilosophy

Résumé

récupéré en direct d'OpenAlex

Les auteures explorent l’identité que construisent les élèves de 8 e année en immersion française précoce, en leur qualité d’apprenants du français, au sein des communautés de praticiens en milieu scolaire. elles proposent un modèle grâce auquel les métaphores dans l’apprentissage d’une langue peuvent être considérées comme une forme de récit à utiliser à la fois pour susciter et pour analyser les représentations métacognitives des identités socialement situées des élèves à titre d’apprenants d’une langue. Dans le cadre d’une étude plus vaste portant sur l’investissement des élèves en immersion française dans l’apprentissage du français, 31 participants ont construit 85 comparaisons relatives à l’apprentissage et à l’oral et l’écrit en français. Ces comparaisons ont été regroupées en sept métaphores conceptuelles : persévérance, dépassement physique et cognitif, expérience de changement incarné, transformation de soi, malaise incarné, insuffisance et affect. Des échantillons de discours des élèves montrent comment la coconstruction de la métaphore a créé un espace interprétatif pour le développement de leurs identités au sein de leurs communautés de praticiens en milieu scolaire. Enfin, les auteures analysent la pertinence pédagogique de la métaphore pour accroître l’investissement des élèves dans l’apprentissage du français.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,816
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0000,002
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,030
Tête enseignante GPT0,287
Écart entre enseignants0,257 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations1
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCanadian Modern Language Review/ La Revue canadienne des langues vivantesMême sujetLanguage, Metaphor, and CognitionTravaux en français237 207