« Peux-tu rendre mon texte plus allemand ? » – Écrire en langue seconde avec l’intelligence artificielle
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
En situation de production écrite, l’intelligence artificielle (IA) peut-elle fournir un étayage aux apprenants, notamment lors de la révision de leur texte ? Sur quels éléments porte alors l’attention des apprenants ? Quels sont ceux qui font l’objet d’une interaction avec l’IA pour être corrigés, reformulés, améliorés ? Vingt-cinq étudiants en droit de l’Université de Bordeaux de la L1 à la L3 ont été invités à rédiger un texte en allemand (version 1). Ils ont ensuite révisé cette version en utilisant la fonction conversationnelle ChatGPT (version 2). L’analyse des deux versions des productions écrites et des échanges des étudiants avec ChatGPT montre que, lors du processus de révision, leur attention porte davantage sur le lexique et la syntaxe que sur le fond et la cohérence de l’écrit. L’analyse des échanges avec l’IA confirme ce résultat et montre également quelles sont les conditions pour obtenir un étayage linguistique pertinent de la part de l’agent conversationnel, quel type d’étayage et de réponses elle peut fournir et comment ces feedbacks sont utilisés par les étudiants pour améliorer leur écrit, ce qui ouvre des pistes à la fois didactiques et scientifiques.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.024 | 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 it