Enseigner la syntaxe en soutien à l’écriture en classe de FLS au secondaire : adaptation d’un dispositif didactique dans une perspective intégrée des langues
Bibliographic record
Abstract
Construire des phrases efficaces à l’écrit, syntaxiquement exactes et d’une certaine complexité, est au coeur de la compétence à écrire (Hayes et Flower, 1980; Berninger et Swanson, 1994). Cependant, l’amélioration de la syntaxe à l’écrit en français langue seconde (FLS) chez les élèves du secondaire en milieu anglophone constitue un défi : l’enseignement grammatical habituel, souvent basé sur des exercices mécaniques, ne semble pas porter fruit, et les élèves ne semblent pas transférer les habiletés syntaxiques qu’ils ont développées pour écrire en anglais, leur langue d’enseignement et souvent leur langue dominante, lorsqu’ils écrivent en français. Dans l’optique de trouver un moyen efficace d’améliorer les habiletés syntaxiques des apprenants de FLS, nous avons testé un dispositif didactique connu des milieux scolaires et universitaires américains, la combinaison de phrases libre (Saddler, 2019). Dans le cadre de notre thèse doctorale, nous avons adapté ce dispositif pour la classe de FLS en y ajoutant une touche d’enseignement intégré des langues, de façon à faire des ponts avec la syntaxe de l’anglais. Dans le cadre de cet article à visée didactique, nous décrirons ce dispositif d’enseignement de la syntaxe tel qu’il a été adapté pendant notre expérimentation.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.005 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".