Developing crosslinguistic awareness through plurilingual consciousness-raising tasks
Notice bibliographique
Résumé
If maximal exposure were the key to success in language learning, then adult learners at the university level would be doomed to fail. Not only are they presumably too old to learn additional languages effectively, but target language (TL) input appears to be insufficient, especially when other languages are allowed in class. Nevertheless, learners were shown to build on knowledge of previously acquired languages, to rely on language learning experience and to develop metalinguistic awareness. This study explores the perceived usefulness of a plurilingual consciousness-raising task that aims at helping learners make and strengthen connections between the TL and other previously acquired languages. Two university-level language courses were targeted: Spanish in Quebec and French in Mexico. Two customized tasks were implemented and recorded in each course throughout the semester. Each task included an input-based (discovery) phase, a reflective (metalinguistic) phase during which participants were asked to make assumptions on underlying patterns and correspondences across languages, and a validation phase where they presented their assumptions until reaching a consensus as a group. While tasks were generally perceived as useful, analyses of post-task questionnaires also revealed mixed feelings regarding its inductive stance. However, the verbal data collected demonstrated that the collaborative and metalinguistic reflective nature of the task permitted learners to find correspondences between languages and to engage in knowledge construction. Moreover, the various reflections collected indicate that learners benefitted from the task as groups engaged in metalinguistic reflections, activated their plurilingual repertoire and were able to create accurate assumptions regarding the targeted structure.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».