« Peux-tu rendre mon texte plus allemand ? » – Écrire en langue seconde avec l’intelligence artificielle
Notice bibliographique
Résumé
En situation de production écrite, l’intelligence artificielle (IA) peut-elle fournir un étayage aux apprenants, notamment lors de la révision de leur texte ? Sur quels éléments porte alors l’attention des apprenants ? Quels sont ceux qui font l’objet d’une interaction avec l’IA pour être corrigés, reformulés, améliorés ? Vingt-cinq étudiants en droit de l’Université de Bordeaux de la L1 à la L3 ont été invités à rédiger un texte en allemand (version 1). Ils ont ensuite révisé cette version en utilisant la fonction conversationnelle ChatGPT (version 2). L’analyse des deux versions des productions écrites et des échanges des étudiants avec ChatGPT montre que, lors du processus de révision, leur attention porte davantage sur le lexique et la syntaxe que sur le fond et la cohérence de l’écrit. L’analyse des échanges avec l’IA confirme ce résultat et montre également quelles sont les conditions pour obtenir un étayage linguistique pertinent de la part de l’agent conversationnel, quel type d’étayage et de réponses elle peut fournir et comment ces feedbacks sont utilisés par les étudiants pour améliorer leur écrit, ce qui ouvre des pistes à la fois didactiques et scientifiques.
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 | 0,004 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,007 |
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 ».