L’expérience d’immigrants, candidats aux ordres professionnels, lors de l’évaluation authentique de leurs compétences langagières, quant à l’épreuve de français de l’Office québécois de la langue française (OQLF)
Bibliographic record
Abstract
Depuis quelques années, le Québec fait face à une situation économique sans précédent. En effet, une population vieillissante et en déclin démographique de même qu’une pénurie de main-d’oeuvre qualifiée sur le marché du travail ralentissent le développement de la province. Dans ce contexte, les immigrants représentent un atout qui permet au Québec de rester compétitif dans la joute économique qui l’oppose à d’autres pays (Boudarbat et Boulet, 2010; Posca, 2019). Ce constat est par ailleurs soutenu par la Chambre de commerce du Montréal métropolitain (2019), le Conseil du patronat du Québec (2015) et le ministère du Travail, de l’Emploi et de la Solidarité sociale (MTESS) (2019). Cependant, pour pouvoir exercer une profession réglementée, les immigrants doivent réussir l’épreuve de français de l’Office québécois de la langue française (OQLF). Or, l’épreuve proposée par cet organisme depuis l’hiver 2018 est inédite et consiste en une situation d’évaluation qui se veut authentique, soit complexe et contextualisée (Stiggins, 2007; Wiggins, 1993). La réussite à cette épreuve est un prérequis pour être membre régulier d’un ordre professionnel. Nous inscrivant dans la perspective du constructivisme critique, nous avons voulu comprendre l’expérience des immigrants concernés par cette épreuve. De manière spécifique, nous avons voulu jeter un éclairage sur les facteurs qui influencent leur préparation en vue de l’épreuve, puis la passation et l’obtention des résultats. Ainsi, en suivant une approche compréhensive interprétative, cette recherche exploratoire-descriptive a collecté des données à l’aide d’entrevues semi-dirigées réalisées auprès de trente candidats de différents ordres professionnels. Les résultats montrent que l’expérience des candidats dans chacune des phases, soit la préparation, la passation de l’épreuve et l’obtention des résultats, est marquée par des facteurs qui l’influencent de manière positive et négative. Ainsi, nous avons constaté que la préparation à l’épreuve est facilitée par les études ou le travail au Québec, de même que par les cours spécialisés. Toutefois, les coûts de ces cours et le manque de temps et de ressources pour l’apprentissage autonome freinent la préparation des candidats. Pour ce qui est de la passation, plusieurs aspects ont influencé de manière positive ou négative l’expérience des candidats. De plus, l’analyse de l’expérience a mis en évidence certaines anomalies. Ainsi, le protocole de passation n’était pas uniforme lors des différentes séances. Certains candidats ont eu des échanges d’informations lors des pauses alors que d’autres ont utilisé des stratégies compensatoires non désirées en cas de difficulté. Par ailleurs, des candidats se sont absentés souvent ou sont venus juste pour respecter les exigences de la Charte de la langue française. Finalement, l’OQLF n’a pas adapté les séances pour tenir compte des absences planifiées des candidats. Enfin, en ce qui concerne l’obtention des résultats de l’épreuve, l’expérience des candidats a révélé l’utilité perçue de la documentation. Le choix pouvant découler des résultats a aussi été mis en avant de même que l’effet psychologique des échecs répétitifs sur des candidats. Par ailleurs, nous avons aussi discuté de l’incidence économique de l’échec des candidats à l’épreuve et de leurs opinions générales concernant celle-ci. Les problèmes relevés dans cette recherche mériteraient une attention particulière de la part de l’organisme afin d’améliorer l’expérience des candidats.
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
Direct model labels (unvalidated)
Per-model category and study-design labels from the labeling rounds. They are machine output, unvalidated, and the disagreement between models ships as data. No study design here is MEDLINE-validated yet.
| Model arm | Categories | Study design | Confidence |
|---|---|---|---|
| gemma | no category Domain: not available · Genre: Empirical About the Canadian research system: no · About a Canadian topic: yes | Qualitative | low |
| gpt | no category Domain: not available · Genre: Empirical About the Canadian research system: no · About a Canadian topic: yes | Qualitative | high |
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 | 0.007 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.017 | 0.009 |
| Scholarly communication | 0.008 | 0.003 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.006 | 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, unvalidatedLabeled directly by 2 models reading the full record.
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".