Regard sur la nature du lien entre les autoformulations autoamorcéees et la capacité de commutation de l'attention
Bibliographic record
Abstract
Certaines études ont observé une relation entre l’attention et les autoreformulations autoamorcées (désormais ARAA) lors de la production orale en langue seconde (désormais L2) (Fincher, 2006 ; Simard, Fortier et Zuniga, 2011 ; Simard, Bergeron, Liu, Nader et Redmond, 2016 ; Zuniga, 2015 ; Zuniga et Simard, 2019). Deux études (Fincher, 2006 ; Simard et coll., 2011) ont examiné la relation entre la capacité attentionnelle et les ARAA sans que les résultats ne se révèlent statistiquement significatifs. Simard et ses collaborateurs (2011) ont toutefois suggéré que des mesures processuelles de l’attention pourraient donner des résultats plus fructueux. Trois études ont ainsi examiné la relation entre les ARAA et la capacité de commutation de l’attention en utilisant ce type de mesure (Simard et coll., 2016 ; Zuniga, 2015 ; Zuniga et Simard, 2019). Ils ont pu identifier des relations statistiquement significatives entre les ARAA et cette fonction de l’attention. Je me suis donné comme objectif, dans le cadre de ce mémoire, de vérifier les résultats obtenus sur la relation entre les ARAA et la capacité de commutation de l’attention en reprenant ces trois études antérieures (Simard et coll., 2016 ; Zuniga, 2015 ; Zuniga et Simard, 2019). Trente-quatre apprenants adultes de l’anglais L2 ont participé à cette étude. Dans le cadre de ce mémoire, une tâche de narration a été utilisée dans le but d’observer les ARAA. La mesure de la capacité de commutation de l’attention a été réalisée au moyen de la tâche Trail Making Test. Une analyse statistique inférentielle ne m’a pas permis d’affirmer qu’il existe une relation entre les ARAA produites en L2 et la capacité de commutation de l’attention. Des analyses statistiques supplémentaires m’ont permis de l’avant un regard différent sur la relation entre les ARAA et la capacité de commutation en discutant des répétitions, des modifications et des termes de régulation. Ces résultats permettent ainsi de dévoiler les caractéristiques des ARAA produites lors d’une tâche de narration et de mettre en lumière les enjeux liés à l’étude du rôle que joue l’attention dans la production orale en L2. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : production orale en langue seconde, autoreformulation, autoreformulation autoamorcée, attention
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 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 | 0.001 |
| 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 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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 teacher head, 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".