Développement d’un Questionnaire pour Étudier les Représentations des Enseignants de Langue Seconde sur la Rétroaction Corrective à l’Oral
Bibliographic record
Abstract
L’enseignement/apprentissage d’une langue étrangère exige désormais que l’on explore de nouvelles pistes didactiques hormis celles déjà mises en place. Dans notre cas, et afin d’accroître les possibilités d’améliorer la compétence communicationnelle en français, il est question de recourir à la plateforme télévisuelle. Sur le plan méthodologique, et rien qu’au niveau de la compréhension orale, par exemple, les discours authentiques en français sont souvent caractérisés par une telle complexité que même la compétence linguistique, à elle seule, ne peut rendre compte de toute leur portée significative. La portée communicationnelle de certains discours à forte charge culturelle, à l’image de l’exemple que nous proposons dans ce modeste article, exige de la part de l’enseignant une nouvelle recentration sur la compétence encyclopédique, en tant que forme subsidiaire à la compétence culturelle, mais combien décisive pour décrypter les messages qui façonnent la communication exolingue en français. Pour ce faire, l’outil télévisuel incarné par la docufiction s’avère à nos yeux très intéressant, puisque, par son apport en informations audiovisuelles, il va faciliter l’accès à certaines formes cachées (mais qui sont tout à fait évidentes et implicites à la fois pour le locuteur natif) de la signification inhérente à toute production authentique en français contemporain.
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 | 0.010 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 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".