Bibliographic record
Abstract
La crise sanitaire a amplifié, accéléré et généralisé le recours au numérique dans les systèmes éducatifs du monde entier. Beaucoup ont réussi à tenir grâce aux nombreux dispositifs d'enseignement en ligne existants, mais ce contexte totalement inédit a fait émerger de nouvelles problématiques et a pointé des failles que praticiens et pédagogues ont tenté de gérer au mieux. Il a aussi mis en lumière des pratiques et ressources très ancrées depuis quelques années pour l'enseignement et l'apprentissage de l'oral en LVE.Cette contribution se propose d'appréhender la manière dont le numérique induit des transformations plus ou moins importantes aussi bien à la manière même d'envisager l'oral et de le (re)définir, que de l'enseigner et de l'apprendre. On commencera par rappeler les dimensions les plus impactés par le numérique, par rapport à un dispositif d'enseignement/apprentissage des langues basé sur le présentiel :la temporalité avant tout, puisque le numérique bouscule quelques fondamentaux de l'oral, à savoir le temps réel et la simultanéité ;les modes d'interaction et leurs rituels (notamment la gestion de l'alternance des tours de parole en mode synchrone) ;la situation de communication telle qu'elle est traditionnellement appréhendée en didactique des langues et des cultures, avec des ruptures, des fractionnements et des décalages au niveau de certains de ses constituants ;la gestion de la plurisensorialité et de la multimodalité, qui sont amenées à s'adapter aux dispositifs numériques utilisés.Néanmoins et ce sera l'objet de la deuxième partie de cette intervention, le numérique peut constituer une véritable opportunité pour ce qui est de l'oral.La multiplicité des ressources numériques permet de démultiplier les effets bénéfiques de "laboratoire de langue" puisque le smartphone ou l'ordinateur se transforment potentiellement en "cabine individuelle de langue" ; en particulier, le numérique permet un travail particulièrement ciblé, individualisé et intensif, que ce soit sur l'écoute (identifier, discriminer, comparer, comprendre…) ou sur la production (avec des logiciels de plus en plus répandus comme Audacity, par exemple), ce qui permet d'augmenter les performances de perception et de production des apprenants. Cela va également dans le sens du renforcement de l'autonomisation de l'apprenant et de la diversification des stratégies d'apprentissage. Quelques exemples seront proposés pour illustrer cette première piste de travail.Le numérique permet également d'intégrer la dimension gestuelle et kinésique globale, et donne à voir/entendre une multiplicité de ressources d'une grande richesse.Les opportunités (mais aussi les lourdeurs !) ouvertes dans le champ de l'évaluation : le numérique ouvre durablement la voie à la "fixation" de l'oral de l'apprenant et à la transmission des données sonores ou audiovisuelles à l'enseignant ; la formation initiale et continue des enseignants doit donc désormais intégrer ce paramètre, de manière à ce que les enseignants soient en mesure de mettre en place des dispositifs d'évaluation de l'oral plus ciblés et plus adaptés que ne le sont les dispositifs d'évaluation de l'oral "spontané et fugace" en présentiel en salle de 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 | 0.009 | 0.036 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.008 |
| Scholarly communication | 0.017 | 0.015 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.032 | 0.012 |
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".