Enseigner la prononciation en FLx à des élèves en situation de grand retard scolaire
Bibliographic record
Abstract
La présence d’un plus grand nombre d’élèves issus de l’immigration en situation de grand retard scolaire (GRS) dans les classes du programme d’intégration linguistique, scolaire et sociale (ILSS) pose un nouveau défi aux enseignants. Ces élèves, ayant des compétences émergentes en littératie et numératie, ont des besoins qui leur sont propres (De Koninck et Armand, 2012). Le développement de la compétence orale, plus précisément de la prononciation, leur offre plusieurs avantages pour le développement de leurs habiletés écrites (Chao et Mavrou, 2021 ; Vinogradov et Bigelow, 2010). Nous avons donc proposé la mise en place d’une adaptation de la séquence d’enseignement de la prononciation de Celce-Murcia et al. (2010) à une enseignante titulaire d’une classe d’élèves en situation de GRS au programme d’ILSS au secondaire. Grâce à des entrevues semi-dirigées, nous avons pu récolter ses observations quant à l’utilité de la séquence et la facilité à la piloter. Les analyses de ses observations nous ont permis, d’une part, de nous assurer que les activités sont adaptables et proposent suffisamment de différents niveaux de difficulté. D’autre part, elles nous ont permis de conclure que la séquence semble prometteuse et qu’il serait judicieux de la mettre en place dans plusieurs contextes en tirant profit de l’hétérogénéité de ceux-ci.
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 | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
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".