Pistes de réflexion pour une intégration réussie d’une langue autochtone dans le curriculum scolaire : le cas du kali’na en Guyane française
Bibliographic record
Abstract
Cet article vise à mettre en lumière l’introduction de la langue kali’na dans le curriculum scolaire en Guyane française. Cette intégration a été possible grâce à la mise en place de cours en langue kali’na donnés par des Intervenants en Langue Maternelle (ILM) et de classes bilingues kali’na-français. Les résultats présentés dans cet article sont le fruit d’une recherche doctorale réalisée à partir d’une quarantaine d’entretiens semi-dirigés qui cherchaient à comprendre le sens que les différents acteurs sociaux donnaient à l’intégration de la langue dans deux écoles primaires situées dans des communautés kali’na. Les résultats de cette étude ont permis de découvrir les motivations qui sous-tendent la demande d’introduction de la langue autochtone à l’école, d’examiner les obstacles et les résistances qui émergent au sein des communautés kali’na et dans le milieu éducatif en lien avec des tensions idéologiques, de mettre en évidence les défis rencontrés, mais aussi de souligner les retombées observées. Certains résultats de cette recherche sont présentés ici et plusieurs pistes de réflexion sont aussi proposées afin de permettre une intégration plus harmonieuse de la langue kali’na à l’école et d’envisager de dépasser des limites toujours présentes.
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 | 0.006 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.018 | 0.015 |
| Scholarly communication | 0.009 | 0.003 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.007 | 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".