La construction des savoirs lexicaux en classe de français. L'influence de l'interaction langagière sur l'enseignant.
Bibliographic record
Abstract
Une étude récente (Rançon, 2008) fait apparaître que l'enseignant de FLM utilise régulièrement le dictionnaire comme base de référence pour préparer l'explication de lexique. Il estime que le dictionnaire lui donne les clés discursives d'une bonne définition et de ce fait, d'une bonne explication. Mais les éléments lexico-sémantiques qui la composent ne sont pas toujours en adéquation avec ce que l'enseignant veut proposer en classe et ce que les apprenants attendent en retour. La préparation de cours de l'enseignant tient compte de ce paramètre et l'interaction observée entre les acteurs pédagogiques met également en relief cette modification des savoirs (Tardif, 1997). Par ailleurs, des études menées en psycholinguistique ont mis en évidence que les apprentissages se développaient au travers des interactions en classe et qu'il existe une adéquation implicite entre les élaborations cognitives des participants et les processus interactionnels (Nonnon, 2008). Les déplacements cognitifs seraient ainsi mis en relief par les mouvements langagiers observables en contexte (Fillietaz & Schubauer-Leoni, 2008). En outre, les didacticiens cognitivistes s'accordent sur le fait que l'enseignement-apprentissage d'une langue s'élabore à partir de la mise à jour des conditions (linguistiques, environnementales et psychologiques) et des processus qui engendrent les modifications des comportements langagiers de l'apprenant à partir de ce que produit l'enseignant (Billières & Spanghero-Gaillard, 2005). Dans cette perspective, notre étude considère la manière dont les participants de l'interaction arrivent d'un côté à produire un discours explicatif en contexte qui vise, de l'autre côté, une réception, intégration et mémorisation acceptables. Nous supposons en outre que ces contextes interactionnels influencent l'enseignant dans sa manière de (re)considérer le savoir en vue d'élaborations explicatives futures. Les premiers résultats obtenus laissent entrevoir d'une part, une mise en circulation différente des savoirs en interaction en fonction du degré de préparation du lexique en amont du cours. D'autre part, nous observons une auto-dépréciation des explications « in medias res », (pour les mots n'ayant pas fait l'objet d'une planification). Les analyses des discours explicatifs obtenus par rétroaction montrent l'instabilité des constructions de sens : les enseignants modifient, transforment et complètent leurs propres explications. Billières M. & Spanghero-Gaillard N., 2005, La didactique cognitive des langues : regards croisés de disciplines. Comment comprendre le « comment »?, Revue Parole, N°35-37. Filliettaz L. & Schubauer-leoni M.-L., 2008, Processus interactionnels et situations éducatives, De Boeck, Bruxelles. Nonnon E., 2008 Tensions et dynamiques des interactions dans les échanges scolaires. In Filliettaz L. & Schubauer-Leoni M.-L., 2008, Processus interactionnels et situations éducatives, De Boeck, Bruxelles. 43-65. Rançon J., 2008, Norme et variation en didactique des langues : La question de l'apprentissage du vocabulaire, Actes des 7èmes RJC, PUSN, Paris, 112-115. Tardif J., 1997, Pour un enseignement stratégique, l'apport de la psychologie cognitive, Logiques, Montréal.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
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".