Tirer parti des outils numériques et de la comodalité pour favoriser le plurilinguisme en maternelle ? Une étude de cas dans une école française aux États-Unis
Bibliographic record
Abstract
Notre analyse qualitative vise à comprendre comment les praticiens de maternelle d’un lycée français aux États-Unis ont pu tirer parti des outils numériques en contexte de pandémie de Covid-19 pour intégrer le plurilinguisme comme ressource pour les apprentissages. La recherche écologique mise en place a visé : à analyser l’effet des pratiques d’enseignement/apprentissage ajustées au contexte sanitaire auprès des jeunes élèves plurilingues, en particulier dont les parents ne parlent pas le français ; à analyser les pratiques enseignantes ajustées à la nécessité de la comodalité, ainsi que le rôle des assistantes et des parents d’élèves en classe de maternelle. Les données écologiques recueillies dans une classe de moyenne section et une classe de grande section durant l’année 2020-2021 (vidéos et ressources de classe, entretiens semi-directifs avec les professeurs d’école, enseignants d’anglais, assistantes et parents d’élèves) montrent la complexité de ce milieu d’enseignement du/en français (17 langues recensées) ; une collaboration active de tous les acteurs impliqués pour que cette complexité se développe en atout d’apprentissage ; la transformation, sur le court et le long terme, des usages de langues, des gestes professionnels et de la distribution des rôles et des responsabilités dans l’acte éducatif grâce aux technologies. Mieux comprendre ces pratiques devrait aider les formateurs à la mise en place de formation au numérique et à l’éducation plurilingue sur le long terme.
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 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.005 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 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".