Bibliographic record
Abstract
L'utilisation des indices typographiques dans le but d'attirer l'attention des apprenants d'une L2 sur des éléments linguistiques, à savoir la mise en évidence textuelle, a retenu l'attention de nombreux chercheurs depuis quelques années. Toutefois, les résultats des études portant sur la MET sont contradictoires. Ces résultats divergents peuvent vraisemblablement s'expliquer par les choix d'ordre méthodologique très variés qu'effectuent les chercheurs. Dans le cadre de cet article, nous allons d'abord effectuer un bref retour historique sur l'utilisation des indices typographiques, après quoi nous exposerons les motifs sous-jacents à l'utilisation de la MET en classe de L2. Nous présenterons ensuite une recension des écrits ainsi qu'un sommaire des éléments de la recherche sur la MET. Enfin, nous conclurons en formulant quelques pistes pour la recherche sur la MET dans l'enseignement d'une L2.
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 | 0.051 | 0.129 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.010 | 0.010 |
| Science and technology studies | 0.004 | 0.012 |
| Scholarly communication | 0.019 | 0.015 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 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".