Les pratiques déclarées par les enseignants universitaires au regard de l’usage des TIC dans l’enseignement de l’écriture en français langue étrangère ou seconde
Bibliographic record
Abstract
L’objectif spécifique de cette recherche est de rapporter et d’analyser les pratiques déclarées des formateurs (N= 25) au regard du recours aux TIC dans le développement de la compétence scripturale en FLE/S en contexte universitaire. La collecte de données a eu lieu dans cinq institutions dans le cadre d’un projet international. Pour recueillir les données en lien avec les pratiques déclarées, nous avons mené des entrevues de groupe semidirigées auprès des formateurs de FLE/S. L’analyse préliminaire de ces entrevues montre que l’enseignement-apprentissage de l’écriture et l’évaluation de celle-ci ont évolué avec le développement des TIC. Pour ce qui est du processus d’écriture (la planification, la mise en texte et la révision) dans ce contexte, les enseignants déclarent que pour les opérations de la mise en texte et de la révision, les TIC sont les plus utiles dans l’apprentissage de l’écrit en FLE/S pour les apprenants universitaires. De plus, les TIC auraient des effets à la fois positifs et négatifs sur les étudiants universitaires utilisant les technologies dans un cours d’écriture en langue seconde (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 | 0.017 | 0.046 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.013 | 0.004 |
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".