Étude d’impact de l’ANL sur les compétences orales et écrites en français langue seconde auprès d’élèves allophones en collège
Bibliographic record
Abstract
L’Approche neurolinguistique (ANL) est une méthode d’apprentissage du français, langue étrangère ou seconde, créée par Germain et Netten, en 1998, au Canada, à destination des élèves anglophones apprenant le français. Selon Guedat-Bittighoffer et coll. (2021), elle permettrait de sécuriser émotionnellement les élèves allophones face à l’apprentissage du FLS. Elle a été expérimentée et évaluée dans plusieurs pays (Chine, Canada, Japon, Iran) auprès d’apprenants non migrants. Toutefois, certains aspects méthodologiques des évaluations quantitatives menées dans ces pays sont discutés dans cet article. Tenant compte de certaines limites méthodologiques, une évaluation de cette méthode a été menée auprès de 91 élèves allophones (âge moyen de 13,7 ans), scolarisés (SA) ou non antérieurement dans leur pays d’origine (NSA), répartis dans deux groupes : un groupe bénéficiant de la méthode ANL (groupe expérimental : GE) et un groupe apprenant le français avec des méthodes plus traditionnelles (groupe contrôle : GC). À 7 mois d’intervalle, en début (pré‑test) et en fin d’année scolaire (post‑test), les deux groupes ont été testés à l’aide de tâches langagières en français, à l’oral et à l’écrit. On s’attendait à ce que, par rapport aux élèves GC, les élèves GE atteignent un niveau supérieur à l’oral et à l’écrit. Les résultats montrent qu’à niveau initial identique, après contrôle de variables secondaires, il n’est pas possible de conclure à un effet de l’ANL sur l’évolution des performances, sauf pour l’épreuve de conversation (tests OPI), objectif phare de l’ANL, pour laquelle les élèves NSA du GE progressent plus vite que leurs pairs GC.
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 | 0.007 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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, 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".