Le développement de l’aisance à l’oral chez les personnes adultes immigrantes en apprentissage de la langue et de la littératie : propositions d’activités pour la salle de classe
Bibliographic record
Abstract
L’aisance à l’oral en langue cible est une habileté essentielle pour permettre aux personnes immigrantes de participer à des conversations dans différents contextes de la vie courante (Derwing, 2017). Cependant, cette habileté est peu exploitée en salle de classe et le matériel conçu pour le faire n’est pas toujours optimal (Rossiter et coll., 2010). Cela ne fait pas exception dans les cours offerts aux personnes immigrantes en apprentissage de la langue cible et de la littératie au Québec (Fillion, 2021). C’est pourquoi nous avons décidé de proposer deux prototypes d’activités ayant pour but de travailler l’aisance avec cette clientèle, et ce, sans qu’ils et elles n’aient à utiliser l’écrit ni à analyser la langue. Nous suggérons d’abord une adaptation de la technique 4/3/2 reconnue pour aider les élèves scolarisés à gagner en aisance. Par la suite, nous présentons la technique « intonaisance », que nous avons développée à partir des recherches ayant montré l’importance d’enseigner les formules et l’intonation, puis nous donnons un exemple d’activité à réaliser en classe.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 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".