L’exploitation d’un corpus d’interactions en tandem anglais/français pour mieux comprendre les enjeux de la rétroaction corrective entre pairs
Bibliographic record
Abstract
Le tandem permet un apprentissage collaboratif où la relation entre les partenaires est moins hiérarchisée que dans les échanges entre professeur et élève en classe de langue. Chacun s’engage à faire progresser son partenaire dans sa langue et culture maternelles. Les apprentissages linguistiques et culturels y sont moins prévisibles, structurés et validés que dans le contexte institutionnel d’un cours. Les partenaires tandem accordent souvent plus d’importance à la fluidité et la convivialité de l’échange qu’à la précision des formes linguistiques. Mais qu’en est-il de la rétroaction corrective (en anglais corrective feedback ), pratique clé des enseignants de langues pour favoriser le développement langagier de leurs élèves ? Les locuteurs natifs y ont-ils recours quand leur partenaire tandem produit une forme linguistique erronée ? Si oui, à quelle fréquence, quelles en sont les modalités ? Dans cet article, nous montrons comment l’exploitation d’un corpus SITAF, soit des interactions en tandem anglais-français filmées entre étudiants francophones et anglophones de l’Université Sorbonne Nouvelle, révèle que la rétroaction orale corrective en tandem face à face repose sur une dynamique co-construite mobilisant les deux partenaires et est dépendante de plusieurs variables (en particulier la L1 du correcteur, la tâche, la familiarité et la dynamique de la dyade).
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.016 | 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".