Carrefour de l’apprentissage des langues : le persan, l’anglais et le français
Bibliographic record
Abstract
Le persan, langue maternelle de la plupart des iraniens et l’anglais, première langue étrangère dans ce pays créent un milieu trilingue dès que l’apprentissage du français entre en scène comme deuxième langue étrangère. Les similarités peu probables entre le persan et le français et celles entre l'anglais et le français permettent des transferts positifs et négatifs. Ces interférences font manifester des erreurs linguistiques dans l'apprentissage de FLE. Cette recherche étudie certaines erreurs issues des influences des schémas morphosyntaxiques du persan et de l'anglais dans l’acquisition des règles grammaticales du français. Nous avons mené cette recherche selon les erreurs linguistiques de 50 étudiants de la première année de licence en traduction de la langue française des universités Azad de Téhéran et d'Arak depuis 2012 jusqu'à 2015. Dans le cadre de ce travail, en comparant les trois langues, nous montrons que l'origine des erreurs en français est l'influence du persan et l'anglais. L'objectif principal consiste donc en l’analyse théorique des erreurs grammaticales des persanophones dans la démarche d’apprentissage des verbes français. Cette analyse nous aide à comprendre la manière dont les apprenants persanophones acquièrent et représentent les traits grammaticaux du FLE et propose des techniques d'enseignement profitant des interférences linguistiques.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".