Enseigner le vocabulaire scolaire en soutien linguistique au secondaire : regard sur trois activités plurilingues
Bibliographic record
Abstract
Hors de la métropole montréalaise, les élèves bi/plurilingues au secondaire sont le plus souvent intégrés en classe ordinaire dès leur arrivée à l’école québécoise francophone (De Koninck et Armand, 2012). Un service de soutien linguistique leur est alors offert pour les accompagner dans le double apprentissage qui les attend, c’est-à-dire celui du français, la langue d’enseignement, et celui des contenus disciplinaires. Pour relever ce défi, ces élèves, qui disposent d’un répertoire plurilingue pouvant servir de levier en classe (Cummins, 2021), doivent notamment développer leur vocabulaire en français, et plus particulièrement un vocabulaire scolaire central aux apprentissages disciplinaires (Short et Echevarría, 2016). Ainsi, la recherche-action ici présentée visait à répondre à la question suivante : Comment favoriser l’enseignement-apprentissage du vocabulaire scolaire en soutien linguistique au secondaire en prenant appui sur le répertoire plurilingue des élèves ? Pour y répondre, un portrait des besoins des enseignants à cet égard a d’abord été dressé. En fonction de ces besoins, trois activités ont ensuite été conçues et expérimentées avec trois groupes d’élèves. Des entretiens semi-dirigés avec les trois enseignants des groupes d’élèves ayant participé à la mise à l’essai révèlent le potentiel des activités expérimentées de même que des pistes pour les bonifier.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.011 | 0.011 |
| Scholarly communication | 0.014 | 0.007 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.011 | 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".