Difficultés d’apprentissage en L2 reliées à la structure factitive française faire V
Bibliographic record
Abstract
Cet article rend compte d’une étude empirique menée auprès d’étudiants d’un Cégep anglophone et du bacccalauréat en linguistique, (30 de langue dominante anglaise (A), et 15 de langue dominante française (F)); la majorité des A sont au Cégep et la majorité des F sont au Bac. Nous avons soumis ces étudiants à une tâche de traduction de l’anglais vers le français et nous avons tenté de comparer la compétence avec laquelle les deux groupes manipulaient faire V et ses équivalents dans une telle tâche. Nous avons constaté que les F n’utilisent pas beaucoup plus la structure que les A mais qu’ils font moins d’erreurs. Les erreurs sont surtout causées par l’ordre des mots et par le fait que le sujet de l’infinitif se met au datif si cet infinitif a déjà un complément d’objet direct. L’emploi du clitique, qu’il s’agisse du cas ou de la place de ce clitique, cause aussi des difficultés mais ce problème ne nous semble pas relié directement à l’utilisation de la structure faire V. Enfin, l’emploi des inaliénables avec se + faire V a aussi été une souce d’erreurs. À la lumière de cette étude, nous avons cherché à déterminer quels seraient les principaux éléments d’une description idéale de la structure factitive faire V dans une grammaire destinée à des étudiants de français 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 | 0.009 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| 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".