Didactique du plurilinguisme et alternance de codes : le cas de l’enseignement bilingue précoce
Bibliographic record
Abstract
La didactique du plurilinguisme constitue un paradigme récent dans la recherche éducative, à la fois en continuité, en rupture et en décalage avec la didactique des langues. Nous en soulignons quelques aspects, à partir d’un terrain d’enseignement bilingue précoce se déclinant selon deux modèles : des classes où deux enseignants interviennent en se répartissant les langues (méthode une personne – une langue) et des classes où le même enseignant gère les deux langues (méthode une personne – deux langues). L’analyse des pratiques discursives bilingues en classe nous aide à revenir, plus particulièrement, sur la place de l’alternance de codes dans l’enseignement bilingue et, a fortiori, dans la didactique du plurilinguisme. Ces pratiques illustrent que l’intégration des apprentissages en et de L1 et L2 va au-delà de la simple articulation de deux espaces monolingues et tient à une posture bi-plurilingue des enseignants privilégiant des approches qui travaillent avec un répertoire plurilingue et qui normalisent et didactisent le plurilinguisme dans l’enseignement/apprentissage des savoirs. Cette intégration est favorisée par la méso-alternance, réfléchie par rapport à la mise en complémentarité et en contraste des langues et à l’apport des ressources plurilingues pour l’élaboration des savoirs et qui articule les pratiques en classe avec les enjeux curriculaires.
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 | 0.005 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.017 |
| Scholarly communication | 0.007 | 0.009 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.008 | 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".