Francisation en entreprise : perceptions d'apprenants et d'enseignants
Notice bibliographique
Résumé
Au Québec, l’apprentissage du français est vu comme un facteur indispensable de l’intégration économique, sociale et culturelle. Réciproquement, les milieux de travail sont des lieux déterminants d’intégration linguistique. Le Québec offre actuellement des cours de francisation en entreprise qui viennent répondre à un besoin de flexibilité dans l’offre de cours pour les travailleurs qui désirent se franciser (MTESS, 2022), en plus de répondre aux besoins des entreprises qui font face à une tenace pénurie de main-d’œuvre (Cocolakis-Wormstall, 2018). Nous en savons très peu sur ces formations : à notre connaissance, aucune donnée empirique n’a été colligée en lien avec des aspects didactiques de la francisation en entreprise, alors que plusieurs rapports font justement état du manque d’évaluation de ces programmes et de plusieurs enjeux qui y sont liés (Ferretti, 2016; IDQ, 2021). L'objectif général de notre étude consiste à mieux comprendre les perceptions des apprenants et des enseignants à l'égard de la francisation en entreprise, notamment en lien avec l'analyse des besoins, les perceptions d'utilité et les conditions d'enseignement-apprentissage. Pour cette recherche de type exploratoire, une méthodologie mixte a été mise de l'avant avec un volet apprenant et un volet enseignant; les apprenants (n=70) ont répondu à un questionnaire en ligne alors que des entrevues semi-dirigées ont été menées auprès des enseignants (n=5). La mise en commun des résultats des deux groupes de participants nous indique que les perceptions sont généralement positives à l’égard de la francisation en entreprise bien qu’il existe des défis notables, notamment par rapport aux conditions d’enseignement-apprentissage. Par ailleurs, il ressort de notre étude que ce contexte de francisation est profondément marqué par l’hétérogénéité, tant pour ce qui est des caractéristiques des apprenants (âge, langue d’origine, scolarité, rythme d’apprentissage, intérêts, etc.) qu’en ce qui a trait aux besoins langagiers spécifiques de chacun (domaines d’expertise, fonctions professionnelles, langue de travail, etc.). Enfin, cette recherche offre des suggestions d’amélioration en réponse aux défis relevés, tels que perçus par les participants. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : francisation, formations en milieu de travail, intégration linguistique
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 | 0,009 |
| 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 | 0,008 | 0,008 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».