Acquisition des pronoms d’allocution en classe de français immersif
Bibliographic record
Abstract
Cet article vise à éclairer les raisons pour lesquelles les pronoms d’allocution en français persistent à créer des difficultés aux apprenants de français langue seconde en contexte immersif au Canada. À partir d’interactions entre enseignants et élèves enregistrées dans ce milieu, nous explorons la complexité de l’emploi des pronoms tu et vous du point de vue des apprenants en classes d’immersion. Nous confirmons les résultats d’autres études démontrant l’absence du vous de politesse dans le discours pédagogique ainsi que l’absence d’occasions offertes aux élèves pour employer le vous de pluralité. En outre, nous démontrons que tu remplit plusieurs fonctions dans le discours pédagogique : pronom personnel de deuxième personne, il marque le singulier et la familiarité, mais il possède aussi une fonction indéfinie et plurielle. L’exposition des jeunes à l’emploi du tu dans des contextes vraisemblablement pluriels s’ajoute à la difficulté qu’ils éprouvent en tant que locuteurs à titre principal de l’anglais sachant que cette langue n’a qu’un seul pronom recouvrant les fonctions exprimées en français par tu et vous. Nous proposons en guise de conclusion quelques solutions pédagogiques pour faciliter l’apprentissage des pronoms d’allocution en français.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.011 | 0.006 |
| Scholarly communication | 0.007 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".