Le développement de la compétence en écriture en français des élèves immigrants hispanophones intégrés dans les classes ordinaires. Un regard sur les traces de transfert translinguistique dans leurs productions écrites et sur leur rapport à l’écriture
Bibliographic record
Abstract
L’augmentation de l’immigration au Québec a un impact sur la présence d’élèves allophones dans les classes ordinaires des Centres de services scolaires de la province. Selon les données disponibles, les élèves hispanophones sont la population allophone la plus représentée au Québec juste après les arabophones. Ces apprenants font face à des défis linguistiques importants dès leur arrivée, notamment le changement de langue d’enseignement. L’espagnol, langue maternelle et langue antérieure de scolarisation, devient souvent limité aux échanges intrafamiliaux tandis que l’anglais prend la place de langue seconde privilégiée. Peu de recherches ont été effectuées auprès de ce public spécifique jusqu’à présent. L’objectif général de cette recherche est de mieux comprendre l’évolution, entre le début et la fin d’une année scolaire, de la compétence scripturale en français des élèves hispanophones, à partir des traces de transfert translinguistique repérées dans leurs textes écrits et des propos des élèves au sujet de leur rapport à l’écriture dans les langues qui composent leur répertoire linguistique. Nous avons réalisé une analyse secondaire des données disponibles grâce à une recherche plus large menée par le professeur Dezutter et ses collaborateurs (FRQSC- 2017-2021). Les résultats de notre recherche montrent que les élèves hispanophones utilisent, à des degrés divers, entre le début et la fin de l’année scolaire, l’espagnol et l’anglais lorsqu’ils font face à des obstacles lors de l’écriture d’un texte en français. Les traces de transfert translinguistique identifiées peuvent dans leur majorité être associées à la difficulté de différencier des sons propres à la langue française qui n’existent pas en espagnol, ce qui entraîne des erreurs d’orthographe dans les textes écrits. De plus, l’analyse thématique des entrevues semi-dirigées nous a permis de décrire l’évolution des dimensions praxéologique, affective, cognitive et axiologique du rapport à l’écriture de l’ensemble de notre échantillon. Les résultats de cette recherche apportent un éclairage inédit sur des éléments à prendre en compte par les personnes enseignantes dans des classes linguistiquement hétérogènes.
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) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 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".