L’éthique dans l’enseignement-apprentissage des langues de spécialité : le cas de l’espagnol en Économie
Bibliographic record
Abstract
Dans quelle mesure l’enseignement-apprentissage des langues de spécialité contribue-t-il à développer la compétence éthique dans la formation des étudiants LANSAD ? Existe-t-il une spécificité de l’enseignement LANSAD et, si oui, est-il possible d’en définir les principaux objectifs et compétences ? Je serai ainsi amenée à évoquer certaines caractéristiques fondamentales de la langue de spécialité, comme l’acquisition des compétences transversales et la professionnalisation, l’objectif final étant la formation d’un « acteur social ». J’essayerai ensuite de démontrer que la compétence éthique occupe une place centrale en Didactique des Langues-Cultures, car elle oriente et détermine l’élaboration du cursus en LANSAD et j’illustrerai à l’aide d’exemples concrets en espagnol de l’économie comment mettre en œuvre l’acquisition de cette compétence tout en soulignant sa complexité. En effet, la formation à la compétence éthique va de pair avec la formation d’un « acteur social » et renvoie aussi à l’autonomisation de l’étudiant, à la responsabilisation de l’étudiant et de l’enseignant, à la formation à la compétence informationnelle ou encore à la dimension collective et collaborative du projet pédagogique.
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 | 0.005 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.010 | 0.021 |
| Scholarly communication | 0.011 | 0.006 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.006 | 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".