Enseigner la prononciation en FLx à des élèves en situation de grand retard scolaire
Notice bibliographique
Résumé
La présence d’un plus grand nombre d’élèves issus de l’immigration en situation de grand retard scolaire (GRS) dans les classes du programme d’intégration linguistique, scolaire et sociale (ILSS) pose un nouveau défi aux enseignants. Ces élèves, ayant des compétences émergentes en littératie et numératie, ont des besoins qui leur sont propres (De Koninck et Armand, 2012). Le développement de la compétence orale, plus précisément de la prononciation, leur offre plusieurs avantages pour le développement de leurs habiletés écrites (Chao et Mavrou, 2021 ; Vinogradov et Bigelow, 2010). Nous avons donc proposé la mise en place d’une adaptation de la séquence d’enseignement de la prononciation de Celce-Murcia et al. (2010) à une enseignante titulaire d’une classe d’élèves en situation de GRS au programme d’ILSS au secondaire. Grâce à des entrevues semi-dirigées, nous avons pu récolter ses observations quant à l’utilité de la séquence et la facilité à la piloter. Les analyses de ses observations nous ont permis, d’une part, de nous assurer que les activités sont adaptables et proposent suffisamment de différents niveaux de difficulté. D’autre part, elles nous ont permis de conclure que la séquence semble prometteuse et qu’il serait judicieux de la mettre en place dans plusieurs contextes en tirant profit de l’hétérogénéité de ceux-ci.
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 | 0,003 | 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 | 0,004 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| 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 ».