Négociation et co-construction du sens en français langueétrangère (FLE) lors d’une immersion dans un environnement virtuel d’apprentissage (EVA)
Bibliographic record
Abstract
Résumé: Cette étude a visé à l’exploration des compétences critiques développées et acquises par un groupe d’apprenants américains en français langue étrangère (FLE) de niveau intermédiaire, dans le cadre d’une expérience pédagogique d’immersion dans un environnement virtuel d’apprentissage (EVA), où les étudiants avaient pour objectif la résolution d’un problème complexe de manière coopérative. L’étude s’est concentrée sur le concept de négociation et de co-construction du sens comme phénomène paradigmatique de compétences critiques émergentes chez les apprenants en langue étrangère, et visait d’abord à évaluer la nature des schémas discursifs du discours produit par les apprenants au cours de leurs interactions par chat dans l’EVA, afin de sonder ce que ces schémas indiquaient de la qualité des compétences critiques de ces apprenants. Par ailleurs, cette étude visait à explorer le point de vue des apprenants dans la perception qu’ils ont eu de l’impact de l’immersion dans l’EVA sur le développement de leurs compétences critiques en français, pour mieux informer l’utilisation qui doit être faite des EVA dans les cours de langue étrangère. Cette étude a été basée sur un protocole méthodologique mixte de recherche, favorisant la complémentarité de données quantitatives et qualitatives pour permettre une validité et une crédibilité accrues des résultats.
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 | 0.006 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.010 | 0.014 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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".