Discovery and comprehension of language learners profile : semi supervised clustering et second language acquisition
La découverte et la compréhension des profils d’apprenants : classification semi-supervisée et acquisition d’une langue seconde
Résumé
The purpose of this study is to elaborate an efficient methodology allowing the description of
learner’s profile of an L2 based on acquisition data (perception, comprehension and production). The
proposed methodology belongs to Artificial Intelligence field, more specifically to clustering techniques
[Jain et al., 1999b].
Clustering is a non-supervised classification methodology which aims at creating subgroups of objects called
clusters. The purpose is to detect subgroup regularities with respect to acquisition among the learners
(objects), by taking into account the multidimensional aspect of the L2 learning process.
Our algorithm has been applied to the data base of the VILLA project [Dimroth et al., 2013], which includes
the performance of learners from 5 different source languages (French, Italian, Dutch, German and English)
with Polish as the target language. Each learner was tested with a variety of Polish tests during 14h of
teaching session, starting from initial exposure. Consequently, the data base stores the evolution of the
acquisitional process of 160 adults.
Thus, we have applied our algorithm on the learners’ performances at phonological, morphological,
morphosyntactic and lexical levels. These performances also include results with regards to input
characteristics, such as frequency and transparency of lexical items used in language tasks that may
have influenced the learner outcomes.
Our algorithm revisits the similarity measure used in classical clustering techniques, in order to evaluate
the distance between two learners from a SLA point of view. The measure we used, called "comparability
measure", relies on the identification of a learner’s response strategy to a specific language test structure.
We show that this measure allows the detection of the presence or the absence of a coherent strategy in
learner’s answers, and so enables our algorithm to provide a resulting classification consistent with second
language acquisition research [Klein et Perdue, 1997, Rast, 2008]. As a result, we claim that our algorithm
might be relevant in the empirical establishment of learners’ profiles and the discovery of new opportunities
for reflection or analysis.
L’objectif de cette thèse est d’élaborer une méthodologie efficace permettant de décrire le profil
de l’apprenant d’une L2 à partir de données d’acquisition (perception, compréhension et production). La
méthodologie proposée appartient au domaine de l’intelligence artificielle, plus spécifiquement aux techniques
de clustering [Jain et al., 1999b].
Le clustering est une méthode de classification non supervisée qui vise à créer des sous-groupes d’objets
appelés clusters. L’objectif est de détecter des régularités dans les comportements acquisitionnels de sousgroupes
d’apprenants, en tenant compte de l’aspect multidimensionnel du processus d’apprentissage L2.
Notre algorithme a été appliqué à la base de données du projet VILLA [Dimroth et al., 2013], qui inclut les
données d’acquisition d’apprenants de 5 langues sources différentes (français, italien, néerlandais, allemand
et anglais) avec le polonais comme langue cible. Chaque apprenant a été testé avec une variété de tests en
polonais pendant 14h de session d’enseignement, à partir de l’exposition initiale. Par conséquent, la base de
données stocke l’évolution du processus d’acquisition de 156 adultes.
Ainsi, nous avons appliqué l’algorithme aux performances des apprenants sur les niveaux d’analyse
linguistique que sont la phonologie, la morphologie, la morphosyntaxe et le lexique. La base de données
inclut également la sensibilité des apprenants aux caractéristiques de l’input, telles que la fréquence et la
transparence des éléments lexicaux utilisés dans les tâches linguistiques.
Notre algorithme revisite la mesure de similarité utilisée dans les techniques classiques de clustering,
afin d’évaluer la distance entre deux apprenants d’un point de vue acquisitionniste. La mesure que nous
avons utilisée, appelée " mesure de comparabilité ", repose sur l’identification de la stratégie de réponse
de l’apprenant à une structure de test linguistique spécifique. Nous montrons que cette mesure permet de
détecter la présence ou l’absence dans les réponses de l’apprenant d’une stratégie proche du système flexionnel
de la LC. Ce procédé fournit une classification des apprenants cohérente avec la recherche sur l’acquisition
de la langue seconde [Klein et Perdue, 1997, Rast, 2008] et apporte de nouvelles pistes de réflexions sur les
parcours acquisitionnels des apprenants ab initio .
Origine : Fichiers produits par l'(les) auteur(s)