L’intégration des unités phraséologiques à l’intérieur de l’approche par les tâches : l’expérience du projet Rêver en français
Bibliographic record
Abstract
Le but de cet article est de faire part d’une des spécificités du projet Rêver en français, dont l’objectif est le soutien à l’apprentissage du français chez des étudiants internationaux inscrits aux études supérieures. À l’intérieur d’ateliers conçus selon les principes de l’approche basée sur les tâches et mis sur pied afin de répondre aux intérêts et aux besoins déclarés par les étudiants, les connaissances lexicales sont priorisées. Dans le but de construire ces dernières, jugées essentielles à la réalisation des tâches, les apprenants sont invités à s’engager dans des prétâches interactives et dynamiques mettant l’accent sur l’exposition à des mots individuels et à des unités phraséologiques d’utilisation fréquente chez les locuteurs natifs (p. ex. : débarquer de l’autobus, argent comptant). Étant donné les caractéristiques propres aux unités phraséologiques ainsi que les difficultés d’appropriation que ces dernières peuvent causer, trois traitements pédagogiques ont été retenus : 1) la présentation des unités phraséologique en tant qu’entités indivisibles, 2) la mise en évidence de l’input et 3) la fréquence d’exposition. Dans cet article, nous exposons la démarche de conception des prétâches et nous l’illustrons à l’aide d’une sélection de trois prétâches tirées du projet facilitant la réalisation d’une tâche principale.
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 | 0.006 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.009 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
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".