Pourquoi les enseignants de français ne se parlent pas le français entre eux? Une question d’identité ou maitrise du français?
Bibliographic record
Abstract
Quand j’ai commence a travailler en formation continue, j’ai remarque que des enseignants du francais inscrits dans un programme donne en francais ne se parlaient pas toujours entre eux en francais. Si des professionnels competents, interesses par leur propre developpement continu, devoues a l’enseignement du francais ne reussisaient pas a se parler en francais, y a-t-il la un probleme qu’on n’a pas saisi? Apres tout, ce ne sont pas de jeunes adolescents mis dans le programme d’immersion par leurs parents sans leur consentement. Qu’arrivera-t-il au programme d’immersion si les enseignants ne sont pas passionnes de leur metier? Ma recherche s’est attardee a mieux comprendre, initialement, cette absence du francais en milieu professionnel. Plus tard, ma question de recherche a change quand j’ai compris que des dynamiques de pouvoir existaient qui pouvaient rendre le choix de langue une decision plus complexe qu’elle en a l’air. C’est en egalisant les ecarts de pouvoir que j’ai compris comment l’identite linguistique et donc, professionnelle, peut affecter l’usage et le desir de prendre des risques en francais. Ces decouvertes auront des repercussions importantes pour nos jeunes et futurs enseignants bilingues.
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 | 0.014 | 0.028 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.016 | 0.018 |
| Scholarly communication | 0.014 | 0.019 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.019 | 0.003 |
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".