Notice bibliographique
Résumé
Artificial intelligence (AI) has the potential to transform language education by offering personalized instruction, real-time feedback, and tailored skill development. This study investigates how AI can refine attention to form in language teaching, enhancing the creation of language materials that increase the frequency and salience of L2 input, particularly in grammar instruction, aligning with principles of instructed second language acquisition. Understanding teachers' perceptions and preferences regarding AI is crucial, as it can significantly impact various aspects of language teaching in the near future. Using a qualitative research design, the study explores how nine pre-service teachers in Türkiye conceptualize attention to form and the role of AI technologies in form-focused instruction through semi-structured interviews and self-reflections. The findings indicate that participants used AI tools for generating input and crafting sentences and examples, and benefitted from well-contextualized examples with instant access to enriched input for grammar-focused lesson planning. L’intelligence artificielle (IA) a le potentiel de transformer l’enseignement des langues en offrant un enseignement personnalisé, une rétroaction en temps réel et un développement des compétences sur mesure. Cette étude examine comment l’IA peut favoriser l’attention portée à la forme dans l’enseignement des langues, en améliorant la création de matériel pédagogique qui augmente la fréquence et la mise en évidence de certains éléments de l’intrant en langue seconde. Ceci s’applique en particulier sur l’enseignement de la grammaire, en cohérence avec les principes de l’acquisition d’une langue seconde appliquée à l’enseignement. Il est essentiel de comprendre les perceptions et les préférences des enseignants à l’égard de l’IA, car celle-ci pourrait avoir un impact significatif sur divers aspects de l’enseignement des langues dans un avenir proche. En adoptant un devis de recherche qualitative, l’étude explore la façon dont neuf enseignants en formation en Turquie conceptualisent l’attention portée à la forme et le rôle des technologies d’IA dans l’enseignement de la forme, par le biais d’entretiens semidirigés et d’autoréflexions. Les résultats indiquent que les participants ont utilisé des outils d’IA pour générer de l’intrant et élaborer des phrases et des exemples, et qu’ils ont bénéficié d’exemples bien contextualisés avec un accès instantané à un intrant enrichi pour planifier des leçons axées sur la grammaire.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».