Un nouveau test pour évaluer le vocabulaire productif des étudiants de français langue seconde et étrangère : Lex30-F
Notice bibliographique
Résumé
Une recension de la littérature scientifique sur l’évaluation du vocabulaire productif des étudiants de langue seconde et étrangère nous montre que, tandis que pour l’anglais il existe des propositions de tests reposant sur des critères variés et analysant des dimensions différentes, pour le français, les options ne sont pas nombreuses. Cette étude, qui propose une adaptation au français du test Lex30, conçu pour l’anglais par Meara et Fitzpatrick (2000) , vise à combler la lacune existante dans ce domaine. Les résultats de l’étude pilote réalisée auprès de 61 participants espagnols, étudiants de français dans une école officielle des langues, confirment la validité de la version adaptée au français du Lex30 : le test démontre un niveau moyen de validité concurrente, les corrélations dans les épreuves de tests-retest et des formes parallèles sont très fortes, et les étudiants des niveaux avancés produisent plus de mots que ceux qui se trouvent dans des niveaux moins avancés, si bien que les différences ne sont pas significatives entre tous les groupes. On considère, par conséquent, le Lex30-F comme un outil valide pour l’évaluation du vocabulaire productif en français. Dans les conclusions, nous présenterons quelques axes de recherches futures.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».