Paysages linguistiques, cartographisations et transformations en éducation plurilingue
Bibliographic record
Abstract
Cet article propose une exploration de la (re)création esthétisée des paysages linguistiques comme acte de littératies mobilitaires multimodales. Les chercheuses ont adopté une approche multisensorielle et esthétique pour interagir avec les lieux, les langues et les histoires lors de marches ethnographiques, révélant des éléments cachés et réhabilitant les langues et les cultures marginalisées. Cette démarche, ancrée dans des approches de recherche dites sensibles en didactique des langues et du plurilinguisme (Dompmartin-Normand et Thamin, 2018), permet de mieux comprendre les fonctions symboliques des langues et d’aborder des questions de pouvoir et d’équité. Le corpus s’appuie sur un recueil ethnographique de photos, vidéos et sons captés lors de marches solitaires et collectives, de notes de terrains, de journaux réflexifs et de leur analyse croisée. L’ensemble donne lieu à des (re)créations multimodales et plurilingues, cartographiées et poétisées, comme invitation à traverser les intersections entre théorie et expérience vécue et comme exploration des dynamiques créatives en recherche. Enfin, cette proposition vise à souligner le potentiel du paysage linguistique pour transformer l’interaction et l’interprétation du monde et de l’environnement sémiotique, en articulant engagements artistiques et réflexions sur la (dé)colonisation, la résistance et la résilience.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.007 | 0.012 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.017 | 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".