Cultures discursives plurielles et littéracies universitaires : analyse de trajectoires d’étudiants-scripteurs plurilingues
Bibliographic record
Abstract
Les étudiants « internationaux » qui réalisent une partie de leur cursus académique dans une université francophone doivent s’approprier les modèles génériques censément mobilisés par la communauté enseignante et étudiante. Il peut s’agir de genres écrits très formalisés, comme le commentaire de texte en France ou le mémoire de fin d’études en Belgique ; ou, au contraire, de genres aux normes plus floues qui peuvent varier d’une discipline à l’autre, voire d’un enseignant à l’autre. Dans tous les cas, les cultures discursives universitaires francophones se traduisent par des communautés de pratiques, notamment scripturales, qu’il s’agit d’identifier, d’inventorier, de comparer en vue d’élaborer des dispositifs pédagogiques d’accompagnement adaptés aux étudiants pour qui le français est une langue étrangère/seconde. Or, les formateurs n’ont pas toujours conscience des spécificités de la communauté discursive dans laquelle ils s’inscrivent, ni des genres de discours qu’ils demandent de produire à leurs étudiants, qu’ils soient allophones ou non. Et, par ailleurs, le plurilinguisme des étudiants « internationaux » est souvent ignoré dans les dispositifs d’enseignement/apprentissage, tout comme le potentiel didactique de ce plurilinguisme (cf. les théories de l’interdépendance des langues, du répertoire plurilingue comme levier d’apprentissage, du transfert de compétences d’une langue à l’autre). Sans prétendre épuiser ici la problématique, nous proposons d’analyser les dynamiques plurilingues qui sont en jeu dans le rapport à l’écriture d’étudiants pour qui le français n’est pas la langue première. Pour ce faire, nous analyserons les trajectoires de 8 étudiants-scripteurs plurilingues que nous avons interviewés lorsqu’ils étudiaient au Québec. Leurs témoignages sont non seulement révélateurs des schèmes de représentations pluriels qui guident leur rapport à l’écriture, mais aussi des stratégies d’écriture développées en fonction de l’expérience de mobilité et de la diversité culturelle des discours universitaires.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.007 |
| Science and technology studies | 0.011 | 0.007 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 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".