Francisation en entreprise : perceptions d'apprenants et d'enseignants
Bibliographic record
Abstract
Au Québec, l’apprentissage du français est vu comme un facteur indispensable de l’intégration économique, sociale et culturelle. Réciproquement, les milieux de travail sont des lieux déterminants d’intégration linguistique. Le Québec offre actuellement des cours de francisation en entreprise qui viennent répondre à un besoin de flexibilité dans l’offre de cours pour les travailleurs qui désirent se franciser (MTESS, 2022), en plus de répondre aux besoins des entreprises qui font face à une tenace pénurie de main-d’œuvre (Cocolakis-Wormstall, 2018). Nous en savons très peu sur ces formations : à notre connaissance, aucune donnée empirique n’a été colligée en lien avec des aspects didactiques de la francisation en entreprise, alors que plusieurs rapports font justement état du manque d’évaluation de ces programmes et de plusieurs enjeux qui y sont liés (Ferretti, 2016; IDQ, 2021). L'objectif général de notre étude consiste à mieux comprendre les perceptions des apprenants et des enseignants à l'égard de la francisation en entreprise, notamment en lien avec l'analyse des besoins, les perceptions d'utilité et les conditions d'enseignement-apprentissage. Pour cette recherche de type exploratoire, une méthodologie mixte a été mise de l'avant avec un volet apprenant et un volet enseignant; les apprenants (n=70) ont répondu à un questionnaire en ligne alors que des entrevues semi-dirigées ont été menées auprès des enseignants (n=5). La mise en commun des résultats des deux groupes de participants nous indique que les perceptions sont généralement positives à l’égard de la francisation en entreprise bien qu’il existe des défis notables, notamment par rapport aux conditions d’enseignement-apprentissage. Par ailleurs, il ressort de notre étude que ce contexte de francisation est profondément marqué par l’hétérogénéité, tant pour ce qui est des caractéristiques des apprenants (âge, langue d’origine, scolarité, rythme d’apprentissage, intérêts, etc.) qu’en ce qui a trait aux besoins langagiers spécifiques de chacun (domaines d’expertise, fonctions professionnelles, langue de travail, etc.). Enfin, cette recherche offre des suggestions d’amélioration en réponse aux défis relevés, tels que perçus par les participants. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : francisation, formations en milieu de travail, intégration linguistique
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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 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".