Supporting French immersion teachers: A Look into the linguistic needs of Canadian French immersion teachers
Bibliographic record
Abstract
L’immersion française au Canada donne aux élèves l’occasion de développer des compétences langagières en français et en anglais, les deux langues officielles du pays. Bien que ces programmes se targuent d’avoir de bons résultats sur le plan scolaire et linguistique, il y a certains défauts qui sont inhérents au programme. En particulier, les enseignants d’immersion française, qui sont souvent des locuteurs non-natifs eux-mêmes, font face à certains défis concernant leur compétence en français (Bayliss & Vignola, 2007; Christiansen & Laplante, 2004; Veilleux & Bournot-Trites, 2005). De plus, la forte demande et la faible offre d’enseignants d’immersion au Canada exacerbent ce problème, ce qui oblige les écoles et les commissions scolaires à abaisser leurs attentes et leurs normes de recrutement pour combler ces postes dans le mesure où le qualité de français des enseignants varie (Bournot-Trites, 2008; Mady, 2018; OCOL, 2019). À l'aide de questions à échelle de Likert et d'entrevues semi-structurées avec des groupes de discussion, cette thèse à méthodes mixtes a examiné les besoins linguistiques des enseignants d'immersion française (N=219) en explorant leurs perspectives concernant leur compétence en français et leurs désirs en matière de perfectionnement professionnel lié à la langue. Les perspectives et les désirs exprimés par les enseignants dans cette étude de thèse seront partagés pour informer les initiatives de formation et de perfectionnement professionnel des enseignants d'immersion française en ce qui concerne la compétence en français et contribueront d’ailleurs à l'élaboration d'un cadre universel pour les compétences des enseignants d'immersion française
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.017 | 0.004 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.005 | 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".