L'enseignement d'un vocabulaire disciplinaire dans deux contextes d'immersion universitaire : Quelle approche favoriser?
Bibliographic record
Abstract
Résumé La présente étude vise à vérifier si un enseignement du vocabulaire dans deux contextes d'immersion différents permet une amélioration des connaissances lexicales. Cet article examinera premièrement le contexte de notre étude effectuée auprès de 11 étudiants en droit et 13 étudiants en histoire inscrits à l'université d'Ottawa dans un cours d'encadrement linguistique associé à un cours d'immersion. Puis, nous décrirons le protocole utilisé : chaque semaine, pendant une session universitaire, les étudiants ont complété une série d'activités reliées à un vocabulaire disciplinaire provenant de leurs lectures et de leurs cours. Nous présenterons également les résultats des analyses aux différents tests (pré-test, post-test et test différé) pour vérifier l'amélioration des connaissances chez les étudiants et la rétention de ce vocabulaire entre le début et la fin de la session, entre les mots enseignés et les mots non enseignés. Nos résultats permettront ainsi de proposer les meilleures approches pédagogiques dans les deux cours visés, approches qui tiendront compte des caractéristiques spécifiques au vocabulaire de chacune des disciplines.
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 | 0.014 | 0.034 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
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".