Modéliser des pratiques langagières pour la classe de FLE: apports de l’analyse du discours et des théories de l’action
Bibliographic record
Abstract
Faire apprendre l’usage d’une langue nécessite non seulement le repérage de cet usage mais aussi la modélisation didactique de celui-ci: il s’agit de distinguer soigneusement ce que fait l’usager expert (ayant à accomplir des actions authentiques) de ce que fait l’apprenant dans un processus d’apprentissage (ayant à développer la capacité à maîtriser une variante didactique de l’action d’origine). Le passage de la situation d’usage de référence à la situation d’apprentissage implique un processus de contextualisation didactique complexe que l’on peut conceptualiser comme organisé autour de trois phases principales: repérage des pratiques langagières postulant à l’enseignement / description de ces pratiques dans leurs dimensions situationnelle et linguistique /Conception de situations d’apprentissage reproduisant les aspects principaux des situations d’usage et remplissant, selon les circonstances, une fonction d’apprentissage de nouveaux acquis, une fonction d’entrainement à l’intégration de ces acquis ou une fonction d’évaluation du niveau de développement des compétences travaillées. L’on abordera la notion de contextualisation didactique en langue comme processus rompant avec une vision exclusivement codique du langage au profit d’une vision élargie, envisageant l’activité verbale dans son rapport avec la situation d’action qui la produit.
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 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.006 |
| Scholarly communication | 0.006 | 0.013 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.011 | 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".