Pistes de réflexion pour une intégration réussie d’une langue autochtone dans le curriculum scolaire : le cas du kali’na en Guyane française
Notice bibliographique
Résumé
Cet article vise à mettre en lumière l’introduction de la langue kali’na dans le curriculum scolaire en Guyane française. Cette intégration a été possible grâce à la mise en place de cours en langue kali’na donnés par des Intervenants en Langue Maternelle (ILM) et de classes bilingues kali’na-français. Les résultats présentés dans cet article sont le fruit d’une recherche doctorale réalisée à partir d’une quarantaine d’entretiens semi-dirigés qui cherchaient à comprendre le sens que les différents acteurs sociaux donnaient à l’intégration de la langue dans deux écoles primaires situées dans des communautés kali’na. Les résultats de cette étude ont permis de découvrir les motivations qui sous-tendent la demande d’introduction de la langue autochtone à l’école, d’examiner les obstacles et les résistances qui émergent au sein des communautés kali’na et dans le milieu éducatif en lien avec des tensions idéologiques, de mettre en évidence les défis rencontrés, mais aussi de souligner les retombées observées. Certains résultats de cette recherche sont présentés ici et plusieurs pistes de réflexion sont aussi proposées afin de permettre une intégration plus harmonieuse de la langue kali’na à l’école et d’envisager de dépasser des limites toujours présentes.
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 | 0,006 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,018 | 0,015 |
| Communication savante | 0,009 | 0,003 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».