Le CRL, espace d’apprentissage « sauvage » pour les langues ? Constantes et évolutions pour accompagner l’autonomisation des apprenants
Bibliographic record
Abstract
Les Centres de Ressources en Langues (CRL) se sont transformés au fil du temps, du fait de l’évolution des directives institutionnelles, des technologies ou encore des préconisations didactiques valorisant davantage les méthodologies d’apprentissage et la réflexivité, par ailleurs au cœur des CRL depuis leurs débuts. Pour autant, existe-t-il un modèle standard de structuration des Centres de Langues (CL) et des CRL à l’échelle tant nationale qu’internationale, et quels en seraient les principes fondateurs ? Comment trouver de la régularité dans la diversité et dans l’évolution inhérente au dispositif ? À partir d’un modèle explicatif, quelles sont les évolutions constatées à l’heure où apprentissages formels et informels s’entrelacent, à quel niveau cela se produit-il et quelles sont les valeurs constantes qui restent ? Ces questions permettent de relire le modèle, de façon non pas prédictive ou prescriptive, mais de façon explicative et contextualisée. De nouvelles pistes pour appréhender la diversité et l’unité seront proposées, pour que le concept de CRL puisse être défini, dans une visée structurante, sans pour autant être appauvri par une représentation formatée et réductrice.
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 | 0.009 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.004 | 0.016 |
| Scholarly communication | 0.017 | 0.022 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.008 | 0.004 |
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".