Défis et évolution de l'accompagnement offert aux professeurs de langue par le Régime d'immersion en français (RIF) de l'Université d'Ottawa
Bibliographic record
Abstract
Depuis 2006, le RIF offre des cours d’encadrement linguistique (CEL) associés à des cours de discipline enseignés dans cinq facultés de l’université (soit 86 programmes en 2016-2017). Cependant, les professeurs de FLS sont très rarement formés à l’enseignement propre à ce type de cours qui sont développés sur mesure en lien avec chaque cours de discipline. Pour répondre à ce défi, le RIF offre, par l’entremise des responsables pédagogiques, un accompagnement dont la nature et le format ont évolué au fil des ans.D’abord, les professeurs ont reçu une formation initiale (création de ressources, réunions, ateliers, observations de classes suivies de recommandation) (Weinberg, A., et S. Burger, 2006). Puis, les responsables pédagogiques ont créé deux recueils rassemblant des activités conçues par les professeurs désormais expérimentés (Dansereau et Buchanan, 2009, 2011; Dansereau, 2011). Ces recueils sont devenus des incontournables pour les nouvelles recrues et ont contribué au développement d'une communauté de pratique. Aujourd'hui, l'accompagnement se caractérise par des consultations, des rencontres de partage de pratique et la vérification du respect des objectifs pédagogiques dans les plans de cours.Dans quelle mesure l’accompagnement reçu jusqu’à présent répond-il aux besoins des professeurs? Quels sont leurs nouveaux besoins ? Dans quelle direction et sous quelle forme l’accompagnement peut-il évoluer de façon à maximiser et reconnaître les savoir-faire développés par cette communauté de pratique afin qu’elle profite au plus grand nombre? Grâce aux résultats d’un sondage envoyé en janvier 2017 à tous les professeurs ayant enseigné un CEL depuis 2006 nous pouvons identifier les forces et les faiblesses de l’accompagnement déjà offert et envisager la mise en place de nouvelles stratégies d’accompagnement.
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 | 0.012 | 0.023 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.005 | 0.007 |
| Scholarly communication | 0.011 | 0.004 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.001 | 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".