Best Grad Competition: Engagement, Social Networks, and the Sociolinguistic Performance of Quebec French Learners
Bibliographic record
Abstract
Le degré d’implication personnelle et les réseaux sociaux de soutien semblent favoriser le développement sociolinguistique de la langue seconde. L’auteure étudie la relation entre ces deux idées et leur influence sur l’utilisation par les apprenants du français québécois de deux particularités informelles, soit la suppression du ne et le on de première personne, et de deux particularités géographiquement conditionnées, soit le doublement du sujet et les questions tu. En entrevue, 21 apprenants adultes ont été invités à explorer leurs expériences d’apprentissage de la langue et ont rempli un questionnaire sur l’inventaire des réseaux sociaux. L’analyse qualitative des entrevues révèle trois niveaux d’implication personnelle, différenciés par la motivation, les efforts pour amorcer l’interaction et les perceptions du français québécois. Ces paramètres ne sont qu’en partie reliés aux facteurs des réseaux sociaux. L’analyse linguistique quantitative indique que seul le doublement du sujet et la suppression du ne sont en corrélation avec ces prédicteurs. La nature de la particularité et la perception des normes linguistiques de la collectivité semblent également jouer un rôle dans ces constats. L’auteure traite des répercussions pédagogiques de ces conclusions et des pistes de recherche future sur le développement sociolinguistique.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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".