D’une langue à l’autre : pour une didactique plurilingue et translangagière de l’écrit
Bibliographic record
Abstract
La didactique de l’écrit est traditionnellement cloisonnée en fonction de la langue : anglais ou français, langue première ou langue additionnelle. Ce cloisonnement est en décalage par rapport aux besoins et pratiques des scripteurs en situations multilingues qui imposent de rédiger dans une langue à partir de sources dans une autre langue tout en alternant la langue utilisée pour composer. Par exemple, au Québec et en France, il n’est pas rare que des étudiants en sciences rédigent leurs thèses en français à partir d’articles en anglais, avant de publier eux-mêmes en anglais tout en vulgarisant leurs résultats en français. Une autre pratique de plus en plus courante est de soumettre une thèse bilingue comprenant des articles publiés, généralement en anglais, insérés dans une charpente en français. De telles pratiques exigent non seulement de savoir lire et écrire dans deux (bilittératie), voire plusieurs (plurilittératie), langues, mais aussi de pouvoir passer aisément d’une langue et d’un mode à l’autre (compétences translangagières ou translittératie). À partir d’études de cas de scripteurs bilingues et d’autres études sur le transfert en écriture, l’éducation plurilingue et la traduction, cette communication vise à illustrer les défis que pose le développement de la bilittératie et de la translittératie tout en proposant des stratégies pédagogiques et curriculaires pour faciliter cet apprentissage.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.015 |
| Scholarly communication | 0.011 | 0.010 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.022 | 0.006 |
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".