La place des langues locales dans les cours d’Intercompréhension en langues romanes des universités brésiliennes
Bibliographic record
Abstract
Le Brésil présente une complexe réalité linguistique : d’un côté, plus de 200 langues sont parlées sur le territoire, mais d’autre part, elles ne sont parlées que par 0,2% de la population du pays. La faible connaissance d’une telle réalité par la plupart de la population est le résultat d’une série d’éléments, dont l’absence de discussion autour de cette question au sein des institutions brésiliennes où sont formé.e.s les enseignant.e.s. Vu que l’approche de l’Intercompréhension en Langues Romanes a de plus en plus de place dans le cadre de la licence en différentes universités brésiliennes ; et que l’éducation plurilingue tient compte des connaissances sur le contexte linguistique et culturel des étudiant.e.s, cet article se propose de présenter les résultats d’un questionnaire rempli par les enseignant.e.s chargé.e.s du cours d’Intercompréhension, dans le but de mieux comprendre si et comment les langues du Brésil font objet de discussion dans leurs cours. En outre, nous présentons un exemple de programme mis en place depuis 2021, abordant les langues locales dans le cadre d’un cours d’Intercompréhension en Langues Romanes. Nous présentons aussi des exemples des réflexions et activités réalisées par les étudiant·es.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".