Analyse de la polysémie verbale : apports à la didactique du français L2
Bibliographic record
Abstract
Cette contribution se situe à l’interface de la linguistique et de la didactique des langues secondes; elle a pour objectif de démontrer les apports d’une analyse de la polysémie verbale à la didactique du français langue seconde. Notre premier objectif est de décrire la polysémie du verbe prendre au moyen d’une analyse sémantique lexicale dans une approche cognitive. Notre second objectif est d’évaluer l’incidence de la polysémie du verbe prendre sur les connaissances qu’ont les apprenants de ce verbe et d’isoler les différentes acceptions de prendre mises au jour par notre analyse sémantique, qui s’avèrent problématiques pour les apprenants du français L2. Pour atteindre le second objectif de notre travail, nous avons mené une étude empirique auprès de 191 apprenants du français langue seconde. Les résultats montrent non seulement que l’analyse sémantique que nous avons proposée permet de prédire la connaissance des différentes acceptions du verbe par les apprenants du français L2, mais aussi que les apprenants anglophones et allophones ont un comportement différent par rapport aux types d’acceptions du verbe prendre , comportement que nous avons pu expliquer par l’influence translangagière chez les participants anglophones. Nous discutons des résultats au regard de ceux des études antérieures, en mettant l’accent sur les variables linguistiques réputées prédire l’acquisition des différents sens d’un mot polysémique.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".