L’écriture collaborative dans des cours de français langue seconde : un résumé de trois études
Bibliographic record
Abstract
Il est reconnu que le dialogue collaboratif contribue à la maîtrise d’une langue seconde et additionnelle (Ahmadian et Tajabadi, 2020; Mackey, 2012; Payant et Maatouk, 2022), particulièrement lors des tâches d’écriture interactives où les étudiants sont amenés à collaborer avant, pendant, ou après la rédaction d’un texte. Cet article résume les conclusions principales de trois études auprès de trois classes d’étudiants de français langue seconde à Montréal où chaque classe a travaillé avec un partenaire à différentes étapes du processus d’écriture : soit lors d’une planification interactive, d’une écriture collaborative ou d’une révision interactive. Nous visions à découvrir ce dont les étudiants parlent pendant les tâches d’écriture collaborative (et en quelle langue), afin de savoir si cela entraîne des effets sur leur écriture ultérieure, et aussi à comprendre comment les perceptions des étudiants affectent leur engagement dans ces discussions. L’ensemble des résultats démontre la contribution de la planification interactive au développement des compétences langagières et souligne le rôle de l’anglais en tant que ressource linguistique supplémentaire. De plus, nous constatons que les étudiants avec des attitudes plus positives envers les tâches interactives s’engagent plus profondément dans des discussions métalinguistiques. La synthèse de ces études offre des applications pratiques pour les enseignants de langue seconde.
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 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.012 | 0.006 |
| Scholarly communication | 0.010 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| 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".