A Rhizomatic CALL: Technological Becoming in the Language Classroom
Notice bibliographique
Résumé
La recherche sur l’apprentissage des langues assistées par ordinateur (ALAO) et sur les technologies de l’information et de la communication (TIC) pour l’enseignement s’interroge souvent sur ce qu’est une technologie donnée, ce qu’elle fait et ce à quoi elle sert. Les réponses à ces questions s’alignent le plus souvent sur des modèles instrumentaux ou déterministes qui accordent une place centrale à l’agentivité humaine pour déterminer la fonction d’une technologie dans une classe de langue. Moins communément, la recherche en ALAO met l’accent sur la manière dont les enseignants répondent chaque jour à ces questions en salle de classe et sur les influences surprenantes et émergentes que pourraient avoir les technologies sur les salles de classe. La théorie néo-matérialiste offre un mode de compréhension du monde différent, qui décentre l’agentivité humaine. Cette perspective offre aussi un point de vue différent sur la façon dont les TIC peuvent avoir un impact sur la didactique des langues. Je reviens sur une étude portant sur des enseignants de langues et la mise en œuvre des TIC et je la re-vois au travers d’une lentille rhizomatique deleuzo-guattarienne. Cette façon de penser permet de comprendre comment ces technologies fonctionnent dans des agencements de salles de classe pour produire l’enseignement des langues. Je juxtapose une vignette composite anthropocentrique avec une vignette vue sous un prisme rhizomatique, soulignant ainsi la transition d’une perspective théorique traditionnelle vers une perspective radicalement différente. Cette perspective théorique a des ramifications pour la recherche et la pratique dans les plus grands domaines de l’ALAO et mérite de faire l’objet d’explorations et d’expérimentations plus poussées.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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 tête enseignante, 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 ».