Exploring Multilingual Learners’ Writing Practices during an L2 and an L3 Individual Writing Task
Bibliographic record
Abstract
Selon les chercheurs, les scripteurs bilingues s’appuient sur leur langue maternelle pour satisfaire les exigences d’une tâche de rédaction. Un nombre croissant de personnes développent des compétences linguistiques dans une langue tierce ou additionnelle (L3/Ln), mais, malgré l’intérêt croissant que suscite le développement de ces compétences, peu d’études empiriques ont porté sur les pratiques d’écriture chez les apprenants plurilingues. Pour combler cette lacune, neuf scripteurs multilingues (espagnol–français–anglais) sont invités à rédiger deux essais argumentatifs, l’un en français et l’autre en anglais. Les données tirées d’entretiens de rappels stimulés confirment que la rédaction est une activité plurilingue. Les participants puisent dans leur répertoire linguistique pour générer des idées, structurer leurs essais et réfléchir aux aspects linguistiques. Toutefois, pour les réflexions lexicales, leur connaissance de langues additionnelles semble être une source d’interférence plutôt que de conformité accrue. Les résultats, analysés dans la perspective du plurilinguisme, font ressortir que les apprenants possèdent des compétences fluides et partielles de diverses langues qui peuvent les soutenir lors de la réalisation de tâches académique rédaction.
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 | 0.003 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".