L’acquisition formelle de l’oral spontané en L2 des locuteurs débutants
Notice bibliographique
Résumé
Nous souhaitons présenter dans cet article les résultats issus d’une étude quasi expérimentale qui s’est déroulée de 2019 à 2022. Elle a eu lieu dans des collèges français et a concerné 8 classes de 6ème, auprès d’élèves de 11 ans à 12 ans, soit près de 200 enfants et pré-adolescents. En effet, l’apprentissage des langues secondes (L2) en milieu formel pose souvent au moins trois problèmes récurrents : un plaisir d’apprendre irrégulier, la difficulté à s’exprimer oralement, et un niveau de maîtrise insuffisant comparé au nombre d’années d’apprentissage (Narcy-Combes & MacAllister, 2011). Une approche méthodologique, nommée approche neurolinguistique (ANL) par ses concepteurs (Germain et Netten, 2012) développée au Canada, a montré des bénéfices en réponse à ces problèmes portant sur la motivation et la production de l’oral (Germain, 2017). L’objectif général de notre travail est d’évaluer pour la première fois dans notre contexte éducatif, si une approche comme l’ANL qui privilégie l’acquisition de l’oral par l’implicite et le travail de la mémoire procédurale (Paradis, 2004 ; 2009) des apprenants permet l’acquisition des compétences langagières orales des apprenants d’anglais de sixième, première année du collège. L’enjeu ici est le suivant : est-ce qu’un apprentissage implicite de l’oral dans le cadre d’un enseignement extensif (4h par semaine) améliorerait le niveau moyen des élèves à l’oral ? Notre travail s’appuie sur une méthodologie mixte à la fois qualitative et quantitative auprès de 4 classes expérimentales qui enseignent l’ANL (après formation et suivi d’une année des enseignants) et de 4 classes de contrôle. Nous avons évalué la capacité de chaque élève à interagir oralement grâce à l’échelle d’évaluation OPI (Oral Proficiency Interview, Macfarlane & Montsion, 2016) dont l’objectif est d’évaluer la capacité à utiliser une langue oralement en situation réelle. Nous verrons que la modélisation liée à l’implicite permise par l’ANL améliorera l’utilisation de l’oral spontané en interaction chez des apprenants débutants de 11 à 12 ans.
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 | 0,005 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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; 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 ».