L’immersion au niveau universitaire: nouveaux modèles, nouveaux défis, pratiques et stratégies
Bibliographic record
Abstract
En immersion, l’apprentissage de la langue se fait implicitement par le biais de leçons mettant explicitement l’accent sur le contenu, pas sur la langue (Genesee, 1994). Cependant, si les étudiants d’immersion s’approchent des locuteurs natifs pour les habiletés de compréhension (Lapkin, Swain and Argue, 1983 ; Genesee, 1987, 1992 ; Harley, Cummins, Swain and Allen, 1990 ; Rebuffot, 1993 ; Lyster, 2007), leurs habiletés productives sont inférieures (Swain et Lapkin, 1986). C’est ce qui a conduit Swain à proposer l’hypothèse de l’output (Swain, 1985, 1993, 1995). Selon Swain l’enseignement basé sur les contenus doit offrir des activités langagières mettant l’accent sur la forme, pour permettre aux étudiants d’atteindre un niveau de compétence quasi natif en expression orale et écrite.Le présent article développera un cadre théorique autour du rôle du professeur de langue seconde dans les disciplines non linguistiques (Burger et al., 1984) en l’articulant avec la notion de compétence bi-/plurilingue (Coste et al., 1999). Dans ce cadre nous discuterons la construction de compétences dans les discours de spécialité, les différents modèles d’immersion et les défis et enjeux cognitifs et pédagogiques qui en découlent. Nous présenterons ensuite le modèle retenu à l’Université d’Ottawa, (Burger et al., 1997 ; Edwards et al., 1984 ; Hauptman et al., 1988 ; Ready et Wesche, 1992) que nous illustrerons par plusieurs exemples d’activités, de stratégies et de pratiques afin d’interroger la place de l’enseignant de langue seconde. Nous conclurons en posant la question de l’évaluation dans ce contexte bien particulier.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.012 |
| Scholarly communication | 0.009 | 0.010 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 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".