L’influence du Cadre européen commun de référence pour les langues (CECR) en Ontario : Une étude de cas multi méthode de la formation initiale au CECR des enseignant.e.s du français langue seconde (FLS) en Ontario
Bibliographic record
Abstract
Dans cette thèse, j’explore la présence actuelle du Cadre européen commun de référence pour les langues (CECR) dans les programmes de formation initiale (FI) à l’enseignement du français comme langue seconde (FLS) en Ontario ainsi que les effets de cette formation sur les pratiques pédagogiques des candidat.e.s. Cette étude s’occupe de comment mieux préparer les candidat.e.s du FLS à adopter le CECR dans leurs pratiques pédagogiques. Pour bien répondre à cette question, j’ai recueilli les données de 36 participant.e.s à partir d’un sondage en ligne et j’ai mené les entretiens avec 9 participant.e.s. \n En Ontario, les programmes de FI et les programmes FLS ont subi plusieurs changements pendant la dernière décennie. Par exemple, les programmes de FI ont eu une réforme en 2015 en doublant la longueur du programme et la longueur des stages. De plus, le curriculum ontarien a été révisé en 2013 et en 2014 à la suite de plusieurs initiatives fédérales et d’autres influences pédagogiques, l’un des principes étant le CECR. Malgré l’influence pancanadienne du CECR depuis 2005, plusieurs études canadiennes ont révélé que les enseignant.e.s sont encore incapables à adopter le Cadre dans leurs pratiques pédagogiques à cause d’un manque de connaissance. En fait, les recherches plus récentes par Arnott et coll. (2017) ont clarifié que les candidat.e.s sont trop souvent introduit.e.s au CECR d’une manière superficielle qui a peu ou pas d’effet sur leurs pratiques pédagogiques. \n En analysant les données à partir d’un cadre de la théorie de la complexité, mon étude affirme que même si les candidat.e.s sont familier.ère.s avec le CECR dans leurs programmes de FI, plusieurs participant.e.s ont exprimé le souci ou l’incapacité de mettre en œuvre leur connaissance théorique du CECR. Les résultats révèlent les stratégies utilisées couramment dans les programmes de FI pour aider les candidat.e.s à adopter le CECR ainsi que les freins au niveau des cours et des programmes. En réponse à ces résultats, je propose trois recommandations aux Facultés d’éducation en Ontario et je décris les ressources que j’ai créées et que je créerai pour répondre aux besoins et aux défis soulevés par les candidat.e.s.
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 | 0.017 | 0.040 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.009 | 0.004 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.001 | 0.002 |
| 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 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".