Impact du contexte d’enseignement/apprentissage sur la formation et les stratégies enseignantes en classe de Français Langue Etrangère (FLE), en milieu universitaire chinois
Bibliographic record
Abstract
L’article présente des analyses de pratiques de classe, recueillies dans le cadre d’une expérience contrôlée, en milieu universitaire chinois. Notre attention se porte sur la manière dont les enseignants de FLE guident leurs apprenants lors de séances de cours d’oral et sur la nature de leur étayage. L’objectif est de mettre en valeur les diverses stratégies d’étayage utilisées par les enseignants et en voir l’impact sur les productions orales de leurs apprenants. Dans une perspective de regards croisés, nous mettons en parallèle deux fois quatre cours (mêmes supports, même nombre d’apprenants, même niveau linguistique) effectués par deux enseignantes, de culture, nationalité et formation différentes. La mise en parallèle de pratiques enseignantes permet de s’interroger sur l’efficacité des stratégies enseignantes, notamment au regard du contexte d’enseignement/apprentissage qu’est le contexte chinois. L’étude a pour objectif d’une part, de faire la lumière sur les pratiques didactiques en milieu universitaire chinois et d’autre part, de mener une réflexion quant au contexte d’enseignement et son influence sur la formation des enseignants de français. Les résultats obtenus confirment que la prise en compte du contexte d’enseignement est cruciale ; la recherche s’inscrit donc dans une approche contextualisée de l’enseignement/apprentissage des langues. Enfin, nous donnons quelques pistes pour la formation enseignante en Chine, à travers l’exemple d’un cours d’oral.
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 | 0.004 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.009 | 0.007 |
| Scholarly communication | 0.007 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| 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".