Quand les élèves sont invités à traduire et à comparer des unités lexicales dans différentes langues
Bibliographic record
Abstract
Dans cet article, nous présentons les résultats d’une étude descriptive et exploratoire ayant pour objectif de rendre compte des pratiques plurilingues auxquelles recourent des enseignantes du Québec et de l’Ontario francophone pour enseigner le lexique. Plus particulièrement, grâce à l’analyse thématique de données issues d’entretiens individuels, nous nous arrêtons aux moments où les personnes participantes ont déclaré inviter les élèves à traduire des unités lexicales et à les comparer dans plusieurs langues. Les résultats montrent non seulement que ces traductions et ces comparaisons interlinguistiques peuvent se mettre en œuvre selon différentes modalités (p. ex., planifiée ou spontanée; en plénière, individuellement ou en petits groupes), mais aussi que diverses notions lexicales (p. ex., les congénères, les expressions idiomatiques) sont interpellées lorsque les élèves s’engagent dans ce travail. Ils nous amènent ainsi à relever comment des enseignantes œuvrant dans une variété de contextes éducatifs s’approprient les propositions issues de la recherche sur les approches plurilingues tout en édifiant un pont entre ce domaine de recherche et celui de la didactique du lexique.
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 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.006 | 0.006 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 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".