Former à l’approche neurolinguistique : répondre aux attentes des enseignants de langues
Notice bibliographique
Résumé
La didactique des langues, et plus particulièrement le français langue étrangère, posent actuellement des questions pédagogiques sur le comment enseigner. Les enseignants de langues expriment des attentes sur de nouvelles stratégies à utiliser en salle de classe. Ces besoins portent notamment sur la découverte d’une nouvelle approche, la mise en œuvre d’une démarche didactique cohérente et efficace et le développement d’une réelle capacité à communiquer par les apprenants. Dans notre article, nous avons voulu montrer que la formation en approche neurolinguistique (ANL) répond aux attentes des enseignants que Ricordel et moi avons formés. C’est d’ailleurs à partir des pratiques d’enseignement/apprentissage sur le terrain qu’a été conçue l’ANL au Canada en 1997 par Germain et Netten. Ainsi, dans notre article, nous allons présenter les fondements théoriques et pédagogiques de cette approche. Nous continuerons en expliquant les stratégies d’enseignement de la phase orale en ANL et comment elles sont appréhendées et appliquées au cours de la formation. Par la suite, nous allons montrer que l’aspect systémique, les stratégies concrètes et le processus de motivation dans l’ANL participent d’une démarche didactique efficace et nous expliciterons comment sont abordés ces fondamentaux pendant la formation. Pour finir, nous discuterons des réserves à l’égard de l’ANL et des difficultés liées à son implantation. Enfin nous décrirons des perspectives sur le plan de la recherche et de la formation.
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 | 0,007 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,013 |
| Communication savante | 0,009 | 0,005 |
| Science ouverte | 0,001 | 0,005 |
| 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 ».