Navigation – Plan du site

AccueilVolumesVol. 28, n° 1Pratique et rechercheAnalyse des interactions d’appren...

Pratique et recherche

Analyse des interactions d’apprenants de FLS avec ChatGPT pour la rétroaction corrective écrite

An Analysis of FSL Students’ Interactions with ChatGPT for Written Corrective Feedback
Taegan Holmes et Marie-Josée Hamel

Résumés

Cet article résume une étude portant sur l’utilisation de ChatGPT pour la rétroaction corrective écrite interactive. Les participants (n = 22) sont des étudiants de français langue seconde de niveau intermédiaire faible qui ont d’abord répondu à un questionnaire portant sur leurs pratiques autocorrectives (numériques) pour les tâches de rédaction en français. Ensuite, ils ont participé à une intervention ponctuelle pendant laquelle ils ont écrit un court texte qu’ils ont révisé au sein d’échanges synchrones avec ChatGPT. Enfin, les participants ont répondu à un deuxième questionnaire portant sur cette expérience. Les fils de discussion d’interaction des participants ont été récoltés et analysés afin de créer deux typologies ; une pour classer les requêtes formulées par les participants et l’autre pour classer les réponses de ChatGPT. Nous constatons qu’en grande majorité, les participants ont apprécié cette expérience, mais que certains participants ont été plus engagés pendant la révision textuelle que d’autres. ChatGPT a généralement répondu de manière appropriée, mais la qualité de ses réponses peut souffrir en raison d’une requête mal formulée ou imprécise. À la fin de l’article, nous présentons des recommandations pédagogiques pour l’utilisation de ChatGPT pour la révision textuelle.

Haut de page

Texte intégral

1. Introduction

1L’intelligence artificielle générative (IAG) n’est pas un concept nouveau, mais elle attire désormais une attention particulière en raison des avancées récentes dans ce domaine, notamment dans le domaine de l’éducation. Parmi les outils les plus connus de l’IAG figure ChatGPT, un grand modèle de langage (GML) lancé en 2022 par l’entreprise OpenAI. ChatGPT, en tant que GML, a été spécialement conçu pour interagir de manière conversationnelle avec les utilisateurs (OpenAI, 2024). En utilisant des requêtes, les utilisateurs peuvent communiquer avec ChatGPT, qui parcourt ensuite sa base de données et utilise des techniques de traitement du langage naturel (TLN) pour générer une réponse. Il convient de noter que, en tant que GML et générateur de contenu, ChatGPT utilise un algorithme de prédiction textuelle pour produire la séquence de mots la plus probable en réponse aux requêtes, bien que cette réponse ne soit pas toujours la plus précise ou correcte.

2Outre l’utilisation d’un algorithme de prédiction textuelle, ChatGPT a également été entraîné grâce à l’apprentissage profond et a subi des ajustements basés sur la rétroaction humaine. L’apprentissage profond fait partie de l’apprentissage automatique et implique l’utilisation de réseaux neuronaux comportant au moins trois couches pour imiter le fonctionnement du cerveau humain (IBM, 2024). Le renforcement basé sur la rétroaction humaine signifie que ChatGPT a été entraîné à modifier son comportement en réponse aux rétroactions fournies par les êtres humains (IBM, 2024). Ainsi, pour répondre aux requêtes, ChatGPT dispose de différentes techniques en plus de la prédiction textuelle.

3ChatGPT est un outil polyvalent capable d’accomplir de nombreuses tâches et semble offrir de nombreuses possibilités dans le domaine de l’enseignement et de l’apprentissage des langues, en particulier en ce qui concerne la rétroaction corrective écrite (RCÉ). L’outil est notamment capable de corriger les erreurs grammaticales dans plusieurs langues (Coyne et al., 2023 ; Fang et al., 2023 ; Wu & al., 2023), de traduire de manière comparable aux meilleurs traducteurs automatiques (Jiao & al., 2023), de fournir des rétroactions personnalisées et d’interagir avec l’utilisateur pendant la révision textuelle (Holmes, 2024 ; Su et al., 2023). En raison de ces caractéristiques, l’utilisation de ChatGPT pour la rétroaction corrective écrite interactive par les apprenants de français langue seconde (FLS) a suscité un intérêt particulier qui a motivé cette étude.

2. La RCÉ en enseignement-apprentissage des langues

4Malgré les débats concernant l’utilité de la rétroaction corrective écrite (désormais RCÉ) (voir Ferris, 1999 ; Truscott, 1996), les enseignants de langue seconde (L2) reconnaissent son importance (Hamel & Bibeau, 2021 ; Reinders & Mohebbi, 2018). Ainsi, la RCÉ demeure une pratique largement répandue dans l’enseignement de l’écriture (Reinders & Mohebbi, 2018), et les recherches soulignent son rôle crucial dans l’amélioration de la production écrite des apprenants en L2 (Woodworth & Barkaoui, 2020). La majorité des enseignants reconnaissent ainsi la place importante qu’occupe la RCÉ dans leurs pratiques pédagogiques (Bitchener & Ferris, 2011 ; Hamel & Bibeau, 2021). Cependant, ils la perçoivent comme une tâche lourde et chronophage (Hamel & Bibeau, 2021 ; Lee, 2003 ; Lim & Phua, 2019). De plus, les recherches indiquent que la RCÉ des enseignants peut manquer de clarté, de précision et de consistance (voire de cohérence), et est souvent différée (Woodworth & Barkaoui, 2020).

5Il existe divers types de RCÉ qui peuvent être classés en utilisant différentes taxonomies, selon par exemple le degré d’explicitation (Storch & Wigglesworth, 2010), la quantité (Guénette, 2009) et l’immédiateté (Shintani, 2016). Il semble que la RCÉ synchrone, c’est-à-dire immédiate, présente des avantages dans l’apprentissage de la L2. Par exemple, dans une étude menée par Shintani (2016), les étudiants ayant reçu des rétroactions synchrones lors d’une tâche de production écrite étaient plus aptes à s’autocorriger que leurs pairs ayant reçu des rétroactions différées. De plus, les apprenants de L2 ont tendance à préférer les rétroactions synchrones et ils sollicitent souvent une RCÉ sur différentes (ré)écritures d’un même texte (Woodworth & Barkaoui, 2020).

3. Fondements théoriques

6Pour que les apprenants puissent bénéficier de la rétroaction corrective écrite qu’ils reçoivent, il est essentiel qu’ils y soient engagés (Zhang, 2017). L’agentivité et l’autonomie sont deux facteurs qui favorisent cet engagement (Mercer, 2019). L’agentivité renvoie à la capacité d’un individu à effectuer des changements pour mieux répondre à ses besoins (Oga-Baldwin, 2019), tandis que l’autonomie lui permet de devenir un participant actif dans son apprentissage (Benson, 2001 ; Mercer, 2019).

7Les interactions sociales jouent un rôle central dans le développement langagier (Bitchener & Ferris, 2011), et la négociation de sens est largement reconnue par les chercheurs en acquisition des langues secondes comme étant nécessaire à l’acquisition d’une L2 (Johnson, 2008). Par conséquent, cette étude s’inscrit dans le cadre de la théorie de l’engagement avec la tâche linguistique (Egbert, 2020) et adopte une perspective interactionniste inspirée de la théorie socioculturelle de Vygotsky (1987).

8Nous postulons que, en raison de sa nature interactive et adaptative, la RCÉ fournie par ChatGPT est en mesure d’accorder aux apprenants davantage d’agentivité et d’autonomie, les conduisant ainsi à s’engager davantage dans leur processus de révision textuelle.

4. Potentiel de ChatGPT pour la RCÉ

  • 1 Le rappel fait référence à la capacité d’un modèle de repérer correctement les erreurs grammaticale (...)

9Les outils d’IAG semblent présenter de nombreuses opportunités pour l’enseignement et l’apprentissage des langues (Creely, 2023). L’interactivité et la nature adaptative de ChatGPT permettent de poser des questions de suivi, de solliciter des précisions et de négocier le sens et la forme (Holmes, 2024 ; Su et al., 2023). Des recherches indiquent que les GML comme ChatGPT peuvent proposer une correction des erreurs grammaticales (CEG) dans plusieurs langues et ont une capacité de rappel1 élevée (Fang et al., 2023 ; Wu et al., 2023). Utilisé comme un outil d’aide à la rédaction, ChatGPT est capable d’évaluer le contenu d’un texte, de fournir des suggestions d’amélioration, de répondre aux questions de suivi, de proposer des reformulations et de participer à la révision textuelle (Su et al., 2023).

  • 2 En apprentissage profond, zero-shot indique qu’un modèle peut résoudre un problème ou classer un él (...)

10Cependant, ces études démontrent aussi que la requête employée affecte de manière significative la qualité de la réponse sollicitée (Coyne et al., 2023 ; Fang et al., 2023 ; Loem et al., 2023). Dans cette optique, Fang et al. (2023) ont utilisé des requêtes de types : zero-shot et zero-shot chain-of-thought (CoT) avec ChatGPT pour évaluer comment la formulation d’une requête influence la qualité de la CEG2. Les chercheurs ont constaté que l’emploi de la méthode CoT améliorait considérablement la qualité de la CEG et que lorsqu’elle n’était pas employée, les réponses de ChatGPT manquaient de concision et d’organisation. Des études comme celle de Loem et al. (2023) constatent que l’inclusion d’informations pertinentes et correctes incite le modèle à fournir de meilleures réponses, tandis que les requêtes contenant des informations trompeuses ou incorrectes affectent de manière négative les réponses fournies. La précision linguistique dans les requêtes influence aussi la qualité des réponses fournies comme démontré dans l’étude de Coyne et al. (2023).

11Ces avantages potentiels ainsi que ces défis de ChatGPT pour la révision textuelle ont suscité notre intérêt pour son utilisation dans la rétroaction corrective écrite interactive dans le contexte de l’apprentissage du français langue seconde (FLS). Cela a conduit à la formulation des questions de recherche suivantes.

  1. Quelles sont les pratiques autocorrectives actuelles déclarées par les participants concernant la révision textuelle des tâches de rédaction ?

  2. Quels types d’interaction entre les participants et ChatGPT se sont produites dans le contexte d’une tâche de RCÉ ?

    • 3 D’après la théorie des affordances de Gibson, les affordances font référence à la capacité d’un êtr (...)

    Quelles étaient les affordances3 et les limites perçues de ChatGPT en tant qu’outil pour la RCÉ interactive ?

5. Méthodologie

5.1. Participants et intervention

12Des étudiants de deux sections d’un cours de FLS de deuxième année dans une université canadienne ont participé à cette étude (n = 22). Les participants étaient de jeunes adultes de niveau intermédiaire faible (B1) en français. Ils ont répondu à deux questionnaires (pré-tâche et post-tâche) et ont participé à une intervention ponctuelle pendant laquelle ils ont rédigé un court texte qu’ils ont ensuite révisé avec ChatGPT au sein d’un échange synchrone. Le premier groupe (GR1) comportait neuf étudiants qui ont participé à une intervention pendant un cours en ligne alors que le deuxième groupe (GR2) comprenait treize étudiants qui ont participé à une intervention lors d’un cours en présentiel. Les deux interventions étaient semblables, la seule différence notable étant le mode de livraison du cours.

13Le questionnaire pré-tâche, auquel ils ont répondu en ligne au début de l’intervention, comportait onze items (échelle de Likert). Il visait à récolter des données concernant les pratiques autocorrectives (numériques) actuelles des participants pour des tâches de rédaction en français, ainsi que leurs opinions sur l’intelligence artificielle.

14Après avoir répondu à ce questionnaire, les participants ont assisté à une courte présentation (préparée et livrée par la première auteure de cet article) portant sur ChatGPT pour la RCÉ pendant laquelle un exemple d’interaction avec ChatGPT pour solliciter une RCÉ a été modélisé, ainsi que des pistes de suggestion pour la formulation de requêtes. La tâche a ensuite été expliquée. Elle reprenait les consignes d’une évaluation sommative du cours que les étudiants avaient déjà accomplie et qui consistait en la création d’une vidéo de type Vox pop, sur un thème au choix. Pour préparer cette vidéo, ils devaient rédiger une brève introduction présentant le thème choisi ainsi que quelques questions d’entretien pour la personne à interviewer. Pour l’intervention, nous leur avons demandé de rédiger un même type d’introduction pour un deuxième Vox pop hypothétique (sans vidéo à créer). La consigne était de produire leur texte de 100-150 mots directement dans ChatGPT pour ensuite le réviser. Ils avaient environ une heure pour accomplir cette tâche.

15Pour la révision de leur introduction, les participants devaient utiliser deux requêtes imposées : « R1. Révise ce texte :… » (accompagnée du texte) et : « R2. Explique toutes les révisions » (à la suite de la réponse fournie à la R1). Ils avaient aussi été encouragés à entrer en interaction avec ChatGPT pour solliciter des précisions et pour poser des questions sur les révisions proposées.

16Après avoir accompli la tâche, les participants ont répondu au deuxième questionnaire, qui comportait quatorze items à évaluer selon une échelle de Likert. Ces items portaient sur l’utilité et la facilité de l’utilisation de ChatGPT pour la RCÉ. Le questionnaire post-tâche comprenait également une dernière question à réponse ouverte demandant aux participants de lister des requêtes ayant sollicité des rétroactions utiles.

5.2. Collecte et analyse des résultats

17Les participants ayant donné leur accord pour participer à cette étude ont fait suivre leurs fils de discussion avec ChatGPT par courriel à la première auteure. Ces fils de discussion ont d’abord été convertis en fichiers Word, puis importés dans le logiciel NVivo afin de produire une analyse qualitative (Selvi, 2019) et taxonomique (Bilmes, 2009) des tours de parole ayant pris place durant l’échange apprenant-machine. Cette étape du codage a permis de développer deux typologies : une pour classer les messages des participants (les requêtes) et l’autre pour classer les messages de ChatGPT (les réponses). En amont de cette analyse qualitative, nous avons procédé à un décompte du nombre total de mots ainsi que du nombre de tours de parole pour chacun des fils de discussion et pour tout le corpus récolté, en distinguant les résultats des deux groupes : GR1 (en ligne) et GR2 (en classe). Ce décompte nous a offert un indice quant au niveau d’engagement des participants, partant du postulat que ceux qui ont produit des fils de discussion plus longs ont été plus engagés.

18Les résultats des questionnaires ont été analysés quantitativement, mais pour les réponses à la question ouverte du deuxième questionnaire, l’analyse taxonomique a été utilisée à nouveau afin de regrouper en catégories les réponses thématiquement semblables.

6. Résultats

6.1. Pratiques d’autocorrection (numériques) des apprenants

19Le premier questionnaire portait sur les pratiques autocorrectives (numériques) des participants. La grande majorité (75%) des 22 participants ont déclaré corriger les textes qu’ils rédigent en français avec outils numériques, les privilégiant aux outils traditionnels tels que les dictionnaires imprimés. L’outil le plus utilisé est le logiciel de traitement de texte (Word ou Google Doc). Le correcticiel Bon Patron4 est utilisé par la grande majorité (73%) et Antidote5 par moins d’un quart (18%) des participants. La grande majorité des participants se disent plutôt satisfaits des outils numériques dont ils disposent pour réviser leurs textes en français et ont confiance en eux. Ils déclarent en majorité (64%) comprendre la RCÉ fournie par ces outils, mais disent souhaiter avoir l’occasion d’interagir avec ceux-ci.

20L’utilisation d’outils d’IA pour la rédaction de textes en français n’est pas une pratique courante chez les participants : une moitié ne les utilise que rarement ou jamais. Chez l’autre moitié, l’utilisation d’outils d’IA constitue une pratique émergente et ces étudiants affirment les employer parfois ou souvent. La majorité des participants n’ont jamais ou rarement utilisé ChatGPT pour la révision de texte. La plupart ont toutefois une opinion plutôt positive des outils issus de l’IA.

6.2. Analyse des fils de discussion

6.2.1. Décompte des mots, des tours de parole et des requêtes

21Le tableau suivant (Tableau 1) présente les résultats du décompte des mots et tours de parole pour l’ensemble des fils de discussion analysés.

Tableau 1 – Tableau de synthèse du décompte des fils de discussion.

Participant

Nombre total de mots

Tours de parole

Requêtes imposées

Nouvelles requêtes

GROUPE 1

P1

494

6

2

1

P2

894

12

2

4

P3

399

6

2

1

P4

402

6

2

1

P5

452

4

2

0

P6

670

8

2

2

P7

579

10

1

3

P8

578

8

2

2

P9

544

4

2

0

GROUPE 2

P10

544

10

2

3

P11

1260

14

2

5

P12

990

10

2

3

P13

1205

12

2

4

P14

468

4

2

0

P15

485

6

2

1

P16

956

12

2

4

P17

660

10

1

4

P18

1656

18

2

7

P19

1370

20

2

8

P20

1292

14

2

5

P21

645

10

2

2

P22

788

16

1

7

Total

17331

220

41

67

Moyenne

787,8

10

1,9

3

22Le corpus des 22 fils de discussion comporte 17331 mots au total et en moyenne, les échanges ont produit 788 mots, avec le plus long de 1656 mots (P18) et le plus court de 399 mots (P3). On y compte 220 tours de parole au total – à parts égales entre les participants et ChatGPT. En moyenne, les fils de discussion comptent 10 tours de paroles, soit cinq requêtes formulées par l’apprenant et cinq réponses apportées par ChatGPT. Le fil de discussion le plus long compte 20 tours de parole – 10 requêtes formulées par le participant (P19) et 10 réponses fournies par ChatGPT. Les fils de discussion de trois participants (P5, P9 et P14) ne comportent que quatre tours de parole. Tous, sauf trois participants, ont employé les deux requêtes imposées : P7, P17 et P22 n’ont pas employé la deuxième requête imposée.

23Au total, les participants ont formulé 67 nouvelles requêtes, c’est-à-dire autres que les deux requêtes imposées. En moyenne, les fils de discussion comptent trois nouvelles requêtes, avec des maximums de huit requêtes pour P19 et de sept pour P18 et P22.

24Si l’on compare les résultats des GR1 et GR2, on constate qu’en moyenne, les fils de discussion du GR2 comptent 948 mots et 12 tours de parole tandis qu’en moyenne, ceux du GR1 ne comptent que 557 mots et sept tours de parole. Les fils de discussion de GR2 comptent ainsi 1,7 fois plus de mots et presque deux fois plus de tours de parole que ceux du GR1. Les participants du GR2 (tâche accomplie en classe) semblent donc avoir été plus engagés dans la tâche que ceux du GR1 (tâche accomplie en ligne). On constate aussi que le GR2 a créé plus de requêtes liées à la révision textuelle (84,9%) que le GR1 (57,1%).

25Dans les fils de discussion, on relève que tous les échanges se sont déroulés en français, ce qui est valable d’un point de vue de la compétence interactionnelle. Les requêtes formulées par les participants s’apparentent à celles que l’on retrouve dans la conversation orale spontanée, avec des phrases souvent elliptiques, télégraphiques (Pallaud et al., 2013). Celles-ci comportent fréquemment des fautes telles que des erreurs d’orthographe et de ponctuation, ainsi que des verbes mal conjugués ou laissés à l’infinitif.

6.2.2. Requêtes formulées par les apprenants

26L’analyse des requêtes a donné lieu à une typologie élaborée selon l’objectif lié à chaque requête formulée par les apprenants, par exemple une demande de clarification d’une réponse fournie par ChatGPT. Sept catégories (types de requêtes différentes) ont été identifiées. Le tableau 2 présente et décrit ces sept catégories ainsi que la répartition des requêtes par type de catégorie.

Tableau 2 – Typologie des requêtes formulées par les apprenants.

Catégorie

Description

Nombre de requêtes

Requête imposée

Les deux requêtes imposées : R1 (révise ce texte) et R2 (explique toutes les révisions).

43

Clarification (n = 42)

Les requêtes exprimant une incompréhension de la part de l’utilisateur.

11

Les requêtes sollicitant des précisions sur un élément en particulier.

16

Les requêtes sollicitant des explications additionnelles d’ordre général.

15

Socialisation avec ChatGPT

Les requêtes saluant, remerciant ou complimentant ChatGPT.

11

Désaccord

Les requêtes où le participant exprime son désaccord avec ChatGPT.

6

Question autre

Les requêtes posant des questions non liées à la révision textuelle.

3

Révision additionnelle

Les requêtes sollicitant ou portant sur une révision additionnelle.

3

Modification d’un segment de texte

Les requêtes demandant à ChatGPT de modifier le texte.

2

6.2.2.1. Requêtes imposées

27Les requêtes dans la catégorie « Requête imposée » ont été les plus employées (43 occurrences). Cette catégorie comprend les deux requêtes obligatoires et toutes les variations de celles-ci, comme « Reviser ce texte : » de P1 et « Révise ce texte svp : » de P6 pour la première requête imposée et « explique tous ces révisions » de P9 et « Expliquer vos revisions svp » de P11 pour la deuxième.

6.2.2.2. Requêtes de clarification

28La requête non sollicitée la plus fréquente dans le corpus analysé est celle de la catégorie « Clarification », avec 42 requêtes visant à obtenir des précisions ou des explications additionnelles sur une réponse fournie par ChatGPT. Les participants 19, 22, 13 et 11 sont ceux qui ont formulé le plus de ce genre de requête ; P19 en a formulé six, P22 en a formulé cinq et P13 et P11 ont formulé quatre requêtes de clarification chacun.

29Nous avons approfondi notre analyse des requêtes dans la catégorie « Clarification » en les divisant selon trois sous-catégories : les incompréhensions (11 occurrences), les précisions (16 occurrences) et les explications additionnelles (15 occurrences). Les requêtes dans la sous-catégorie d’incompréhensions expriment une incompréhension de la part de l’apprenant, ainsi sollicitant de manière implicite une clarification. Par exemple, la requête de P16 « Je ne comprend pas correction #5. » qui dénote une incompréhension complète ou encore celle de P18 « je besoin d’une explination supplémentaire sur numéro 7 ». La sous-catégorie des précisions regroupe les requêtes de clarification qui visent à obtenir une précision portant sur un élément précis, tel qu’une rétroaction proposée par ChatGPT. Plusieurs de ces requêtes concernent le remplacement d’un mot ou d’une expression par un autre, telle que celle de P7 « Expliquez pourquoi vous avez choisi 'résultats académiques' au lieu de 'leurs notes' ». Enfin, la dernière sous-catégorie de requêtes de clarification concerne les requêtes sollicitant une explication additionnelle d’ordre général. Par exemple, P1 a posé la question « pour quoi est-il important d’utiliser du questionnement direct? ».

6.2.2.3. Requêtes de socialisation

30Onze requêtes figurent ensuite dans la catégorie « Socialisation avec ChatGPT ». Il s’agit de requêtes de salutation, par exemple « bonjour » formulé par plusieurs participants ainsi que de remerciement tel « Merci :) », dans cet exemple de P16 avec une icône sourire et que plusieurs participants ont aussi formulé. Il y a également une requête de socialisation visant à complimenter la machine : « Ca c’est de bon travail! Vous etes tres intelligents! » de P17.

6.2.2.4. Requêtes de désaccord

31On compte six requêtes dans la catégorie « Désaccord » formulées par quatre participants. Ces requêtes sont plutôt des déclarations que des questions posées à ChatGPT via lesquelles les participants expriment leur désaccord avec ce que propose ChatGPT. C’est le cas de P11 qui, par exemple, n’était pas d’accord avec la révision du verbe « écouter » par « entendre » dans son texte et qui dit à ChatGPT : « mais je pense que la verbe écouter est mieux que entends dans cette situation ». Un autre exemple de ce type est celui de P16 « je veux utiliser les expressions idiomatiques dans ma texte donc je crois que ça ne devrait pas être corriger » envoyé après que ChatGPT a remplacé les expressions idiomatiques dans son texte par des formulations plus formelles.

6.2.2.5. Requêtes autres

32Les trois requêtes dans la catégorie « Question autre » sont les questions non liées à la révision textuelle telle que « mode francais? » où P22 vérifie que ChatGPT est en mesure de lui répondre en français avant d’envoyer son texte.

6.2.2.6. Requête de révision additionnelle

33La catégorie « Révision additionnelle » comporte trois requêtes portant sur une demande de révision additionnelle, en plus de celle demandée en requête obligatoire, telle que celle-ci formulée par P18 : « Est ce-que tu peux révise le texte maintenant? » où il tente d’obtenir une nouvelle révision de son texte après avoir échangé autour de l’analyse des corrections proposées. Ce type de requête arrive ainsi plutôt vers la fin de la discussion.

6.2.2.7. Requête de modification

  • 6 Tous les exemples cités dans cet article sont authentiques ; leurs erreurs n’ont pas été corrigées.

34La catégorie « Modification » ne contient que deux requêtes qui sont des occasions où les participants ont demandé à ChatGPT de modifier un ou plusieurs segments de leur texte. Dans cet exemple6 (Figure 1) : « Remplace “salut à tous” avec 10 », P19 demande à ChatGPT de remplacer la formule de salutation au début de son introduction par le dixième élément dans une liste d’expressions alternatives que ChatGPT avait proposées.

Figure 1 – Exemple d’une requête de type « Modification » en contexte.

Figure 1 – Exemple d’une requête de type « Modification » en contexte.

6.2.3. Réponses apportées par ChatGPT

35L’analyse des réponses apportées par ChatGPT aux requêtes des apprenants fait émerger une deuxième typologie qui comprend huit catégories. Le tableau 3 les rassemble et présente aussi une courte description de chacune ainsi que le nombre de réponses dans chaque catégorie.

Tableau 3 – Typologie des réponses apportées par ChatGPT.

Catégorie

Description

Nombre de réponses

Réponse attendue

Les réponses aux deux requêtes imposées.

43

Clarification (n = 34)

Les réponses fournissant une clarification en réponse à une incompréhension de l’utilisateur.

7

Les réponses fournissant des précisions sur un élément en particulier.

18

Les réponses fournissant une explication additionnelle d’ordre général.

9

Socialisation avec le participant

Les réponses formulant un remerciement ou autre type de message de socialisation.

11

Liste

Les réponses fournissant une liste d’éléments.

7

Concession

Les réponses concédant avoir tort, avoir commis une erreur ou proposant un compromis.

4

Modification d’un segment de texte

Les réponses fournissant des modifications autres que celles effectuées pendant la révision initiale.

4

Autocorrection

Les réponses où ChatGPT reconnaît une erreur qu’il avait commise et la corrige.

4

Réponse autre

Les réponses aux questions hors propos.

3

6.2.3.1. Réponses attendues

36La catégorie « Réponse attendue » comporte 43 réponses qui répondent aux deux requêtes imposées, soit contenant une révision des textes originaux des apprenants, soit une explication des révisions proposées. La figure 2 est un exemple d’une réponse fournie à la première requête imposée proposant une version révisée du texte de P1.

Figure 2 – Exemple d’une réponse de type « Réponse attendue » en contexte.

Figure 2 – Exemple d’une réponse de type « Réponse attendue » en contexte.

6.2.3.2. Réponses de clarification

37La catégorie « Clarification » réunit 34 réponses qui fournissent une précision ou une explication additionnelle faisant suite à une requête précédente. Nous avons repris les mêmes sous-catégories utilisées dans la typologie des requêtes pour classer les différentes réponses de type « Clarification » : les incompréhensions (sept occurrences), les précisions (18 occurrences) et les explications additionnelles (neuf occurrences). Les réponses dans la sous-catégorie d’incompréhensions fournissent des précisions par suite d’une requête où l’utilisateur exprime son incompréhension d’une rétroaction proposée. La figure 3 illustre un cas où P13 indique avoir mal compris la rétroaction numéro cinq, portant sur l’ajout d’un appel à l’action vers la fin du texte et ChatGPT répond en la détaillant davantage.

Figure 3 – Exemple d’une réponse de type « Clarification : incompréhension » en contexte.

Figure 3 – Exemple d’une réponse de type « Clarification : incompréhension » en contexte.

38La sous-catégorie de précisions renferme les réponses où ChatGPT fournit une clarification portant sur un élément précis. C’est le cas de la réponse illustrée en figure 4 à la requête de demande d’explication formulée par P11. Dans cet exemple, le participant demande à ChatGPT la raison pour laquelle le verbe « écouter » a été remplacé par le verbe « entendre ». ChatGPT justifie cette modification et intègre des références au texte du participant dans son explication.

Figure 4 – Exemple d’une réponse de type « Clarification : précision » en contexte.

Figure 4 – Exemple d’une réponse de type « Clarification : précision » en contexte.

39La dernière sous-catégorie de réponses de clarifications, les explications additionnelles, porte sur les informations plus globales pour répondre aux questions d’ordre général, c’est-à-dire les questions ne ciblant pas un élément précis tel qu’une rétroaction proposée ou un extrait du texte. Pour répondre à la requête de P1 portant sur l’importance du questionnement direct, ChatGPT fournit une réponse plutôt générale, sans faire de liens au texte du participant (Figure 5).

Figure 5 – Exemple d’une réponse de type « Clarification : explication additionnelle » en contexte.

Figure 5 – Exemple d’une réponse de type « Clarification : explication additionnelle » en contexte.

6.2.3.3. Réponses de socialisation

40La catégorie « Socialisation avec le participant » comprend 11 réponses. Par exemple, ChatGPT a envoyé cette requête de socialisation en réponse à une requête de salutation d’un apprenant : « Bonjour! Comment puis-je vous aider aujourd’hui? ».

6.2.3.4. Réponses par une liste

41Les sept réponses dans la catégorie « Liste » sont des instances où ChatGPT propose une liste d’éléments, telle qu’une liste d’expressions alternatives à la demande de l’apprenant, tel qu’illustré dans la figure 1 précédemment.

6.2.3.5. Réponses de type Concession

42On compte quatre réponses dans la catégorie « Concession » pour lesquelles ChatGPT concède une erreur ou propose un compromis. C’est le cas de cet exemple : « Absolument, votre point de vue est tout à fait valable. » en réponse à la requête de désaccord de P11 : « mais je pense que la verbe écouter est mieux que entends dans cette situation ».

6.2.3.6. Réponses de type Modification

43La catégorie « Modification » comporte quatre réponses où ChatGPT fournit une version modifiée du texte révisé. C’est le cas de P12 ayant demandé à ChatGPT s’il était possible d’employer le subjonctif dans son texte et la machine a répondu avec une version du texte modifiée avec des verbes conjugués au subjonctif.

6.2.3.7. Réponses de type Autocorrection

44La catégorie « Autocorrection » comporte quatre réponses où ChatGPT reconnaît une erreur qu’il avait commise et ensuite la corrige. Par exemple, en réaction à une requête de clarification formulée par P16, ChatGPT répond : « Je m’excuse pour la confusion dans ma réponse précédente. La suppression de "toute seul" était une erreur dans ma réponse. Merci de l’avoir souligné. ». La réponse se poursuit avec la phrase corrigée, suivie d’une brève explication, telle qu’illustrée dans la figure 6.

Figure 6 – Exemple d’une réponse de type « Autocorrection » en contexte.

Figure 6 – Exemple d’une réponse de type « Autocorrection » en contexte.

6.2.3.8. Réponses Autres

45Dans la catégorie « Réponse Autre », à trois reprises, ChatGPT répond à une question hors propos, non liée à la révision textuelle. Par exemple, P22 a commencé son fil de discussion en posant la question « mode francais? », pour s’assurer que ChatGPT allait lui répondre en français. La machine a répondu en disant : « Bien sûr, je peux répondre en français. Comment puis-je vous aider aujourd’hui ? ».

6.2.3.9. Alignement requête-réponse et réponses inappropriées

46Nous avons analysé l’alignement entre les requêtes et les réponses afin d’examiner quels types de requêtes déclenchaient quels types de réponses, tout en identifiant les réponses de ChatGPT qui étaient inappropriées dans leur contexte. Sur les 110 réponses analysées, 20 (18%) se sont révélées inappropriées ou incorrectes, dont six ont été provoquées par des requêtes mal formulées. Ces résultats montrent que les catégories de requêtes ne correspondent pas toujours directement aux catégories de réponses. Dans la majorité des cas, ChatGPT semble prendre en compte les informations des requêtes précédentes pour formuler une réponse adaptée au contexte. Cependant, la qualité de la requête influence significativement celle de la réponse, ce qui peut parfois entraîner une mauvaise compréhension de la machine et, par conséquent, un désalignement entre la requête et la réponse. Nous discuterons de ces résultats dans la section 7.

6.3. Retour sur la tâche

47Le deuxième questionnaire proposait aux participants un retour évaluatif sur la tâche de révision de leur texte avec ChatGPT. En grande majorité, les participants déclarent avoir :

  • apprécié cette expérience et ont déclaré qu’utiliser ChatGPT pour la révision textuelle était facile et intuitif ;

  • trouvé les explications de ChatGPT en général claires, logiques, cohérentes et utiles pour réviser leurs textes ;

  • confiance dans les corrections proposées par l’outil d’IAG ;

  • tiré profit d’échanger avec ChatGPT pendant la révision.

48La majorité des participants ont aussi affirmé qu’en tant qu’outil de correction, ChatGPT compte plus d’affordances que de limites et ont déclaré avoir des perceptions inchangées de l’IA après cette expérience, mais de ceux ayant changé d’avis, la majorité a déclaré avoir des perceptions plus positives qu’auparavant.

49Enfin, formuler des requêtes pour solliciter une RCÉ a été considéré comme une tâche plutôt facile. Les requêtes que les participants ont surtout trouvées utiles sont les requêtes imposées et les requêtes de clarification, plus spécifiquement, celles figurant dans la sous-catégorie de précisions.

7. Discussion et recommandations

50Les résultats du premier questionnaire portant sur les pratiques autocorrectives révèlent que les participants ont surtout recours aux outils numériques, tels que les logiciels de traitement de texte et les correcteurs automatiques, pour réviser leurs textes en français, ce qui corrobore les résultats de Vincent et al. (2019) démontrant que l’usage de ces outils de correction est répandu chez les étudiants universitaires. La majorité des participants déclarent en être satisfaits et manifestent un haut degré de confiance envers les corrections qu’ils proposent. Une minorité de participants expriment des sentiments plus négatifs à l’égard de ces outils, citant par exemple qu’ils ne comprennent pas toujours leurs rétroactions.

51L’analyse des fils de discussion montre que certains participants se sont engagés plus que d’autres dans la tâche de révision de leur texte. Ainsi, des participants comme P18, P19 et P20 ont plus longuement échangé avec la machine en employant un plus grand nombre de requêtes, notamment par le biais de divers types de requêtes de clarification. Ces participants semblent avoir été particulièrement soucieux de mieux comprendre leurs fautes et les rétroactions proposées par ChatGPT. Certains participants ont aussi remis en question des rétroactions par la machine, en exprimant un désaccord, une incompréhension ou une incertitude. Cela témoigne de leur esprit critique à l’égard des informations fournies par ChatGPT. Il semble ainsi que la nature interactive et adaptative de ChatGPT ait favorisé l’agentivité et l’autonomie de ces participants (ce qui est démontré par leur initiative et leur prise en main de leur propre apprentissage), ce qui a renforcé leur engagement dans la tâche et rendu les rétroactions sollicitées plus pertinentes et adaptées (Zhang, 2017).

52En revanche, d’autres participants comme P5, P9 et P14, se sont très peu engagés dans la tâche, ne formulant aucune requête additionnelle et ainsi n’entrant pas dans un véritable échange autour de la révision de leur texte avec ChatGPT. En réalité, les participants du GR2 (en classe) ont été plus engagés dans la tâche que leurs pairs en GR1 (en ligne). Le fait que l’intervention en classe se soit déroulée dans un contexte plus contrôlé que celle en ligne, dans une période dédiée et en présence de la professeure et d’une chercheure aura incité davantage de participants du GR2 à être plus engagés pendant leurs échanges avec ChatGPT.

53Cela dit, au regard de ces écarts entre participants et de concert avec Koltovskaia (2020), on constate que les étudiants ont des pratiques autocorrectives uniques. Soulignons également que les requêtes formulées par l’ensemble des participants étaient souvent elliptiques et contenaient des fautes de langue. Aucun participant n’a véritablement employé la méthode CoT lors de la formulation de requêtes, bien que cette méthode puisse solliciter des réponses plus précises (Kojima et al., 2023). Il importe de mentionner que la méthode CoT n’a pas été présentée aux participants lors de la présentation initiale. À titre d’exemple, dans la requête de clarification « est-ce que je pouvais ajouter le subjonctif à mon texte » de P12, l’ajout d’une phrase comme « Justifiez l’emploi du subjonctif là où employé dans le texte. » aurait pu solliciter une réponse plus correcte et précise sachant que ChatGPT a répondu de manière inappropriée à cette requête.

54Pour sa part, ChatGPT a généralement répondu de manière appropriée, fournissant des informations correctes et pertinentes. Il a bien révisé les textes écrits par les apprenants, ce qui corrobore les résultats des études de Coyne et al. (2023), de Fang et al. (2023) et de Wu et al. (2023) et ce qui démontre que la machine est en mesure d’effectuer une CEG de haute qualité. Cependant, tel que détaillé plus haut, nous constatons que les couples requêtes-réponses ne sont pas toujours alignés ; les requêtes peuvent solliciter plusieurs catégories de réponses. Par exemple, le fait d’exprimer son désaccord n’a pas sollicité que des clarifications, mais a également sollicité des concessions et des versions du texte modifiées. Cela semble démontrer que ChatGPT se sert du contexte et de l’information dans les requêtes afin d’adopter « une approche de cas par cas » (Holmes, 2024 ; Su et al., 2023) pour répondre aux différentes requêtes, ainsi évitant une approche universelle et la formulation de réponses « scénarisées » qui pourraient manquer de précision ou de pertinence selon le contexte.

55En ce qui concerne les limites de l’outil, comme mentionné précédemment, la qualité et la pertinence des réponses de ChatGPT ont tendance à diminuer en cas de requête mal formulée ou trop vague. On observe également que ChatGPT peut parfois fabuler (Bang et al., 2023 ; Kaplan-Rakowski et al., 2023) ou fournir des informations incorrectes. Notre analyse des réponses jugées incorrectes ou inappropriées fournies par ChatGPT montre qu’environ une réponse sur cinq s’est avérée fausse et/ou fabriquée. Ces réponses correspondent à des occasions où ChatGPT prétend avoir révisé un élément alors que ce n’est pas le cas ; classe une rétroaction dans une mauvaise catégorie ou encore, elles résultent de requêtes mal formulées. Nous avons identifié six occasions où des requêtes mal formulées ont entraîné des réponses incorrectes/inappropriées. Ceci rejoint les conclusions des recherches menées par Coyne et al. (2023) ainsi que par Loem et al. (2023), qui soulignent l’impact significatif de la formulation des requêtes sur la qualité des réponses obtenues. Enfin, il y a quatre occasions où la machine a fabulé et partagé des informations incorrectes, telles que l’invention d’un terme (Shen et al., 2023).

56Le deuxième questionnaire a révélé que la grande majorité des participants ont apprécié cette expérience et en ont tiré profit lors de leurs interactions avec ChatGPT pendant la révision textuelle. La minorité des participants ayant exprimé des sentiments moins positifs à l’égard de cette expérience ont trouvé que les rétroactions de ChatGPT manquaient d’utilité, de clarté, de logique et de cohérence. Tout comme pour les outils de correction nommés dans le premier questionnaire, la plupart des participants ont exprimé un haut degré de confiance dans les corrections proposées par ChatGPT.

57Ces conclusions nous incitent à formuler quelques recommandations pédagogiques à l’intention des enseignants et des apprenants en langues, en vue d’une exploitation plus efficace de l’interaction avec ChatGPT dans le processus de révision textuelle. D’abord, il est important d’interroger les apprenants sur leurs pratiques numériques actuelles en matière de rédaction de textes dans la langue cible, puis de susciter une discussion ouverte et approfondie en classe à leur sujet (Bourdais, 2021). Ensuite, il est essentiel de concevoir des tâches d’écriture qui prennent en compte ces pratiques numériques et visent à les approfondir, les améliorer, à l’instar de celle proposée dans cette étude. Par ailleurs, les enseignants doivent eux aussi développer leurs compétences dans l’utilisation et l’intégration d’outils issus de l’intelligence artificielle générative dans leur propre pratique pédagogique. De la même manière que cette étude exploratoire, ils doivent expérimenter ces outils, élaborer des scénarios de tâches pédagogiques possibles, les mettre en œuvre et les ajuster en fonction des résultats obtenus avec leurs apprenants (Caws & Hamel, 2013).

  • 7 Cet adage renvoie au fait que la qualité des résultats produits sera intrinsèquement liée à la qual (...)

58Quant aux interactions avec ChatGPT, nous recommandons d’exposer les apprenants aux divers types de requêtes possibles pour solliciter une RCÉ, telles que celles de la typologie élaborée ici, afin de leur fournir des moyens de s’impliquer davantage dans leurs échanges avec ChatGPT pendant la révision textuelle. D’après les résultats du deuxième questionnaire, les requêtes les plus utiles étaient celles visant à obtenir des précisions sur un élément en particulier. Pour tous les types de requêtes, mais surtout pour les requêtes de précision, il est important de bien contextualiser la requête et de fournir assez de détails. Afin de formuler une requête qui cible un segment de texte en particulier, que ce soit pour obtenir une précision, une explication additionnelle ou pour poser une question de suivi, il est important de clairement indiquer à quelle version du texte on se réfère. Il pourrait être également utile de reprendre le verbatim du texte pour éviter que ChatGPT se trompe de version. En accord avec les conclusions de Coyne et al. (2023) ainsi que celles de Loem et al. (2023), il est préconisé de créer des requêtes claires, détaillées et contextualisées qui respectent les normes grammaticales et orthographiques de la langue. La qualité de la requête peut avoir un impact significatif sur la qualité de la réponse obtenue, comme le souligne le principe informatique selon lequel « garbage in, garbage out » (les déchets qui entrent sont les déchets qui sortent ; notre traduction)7. De plus, l’utilisation de requêtes de type CoT pourrait permettre d’obtenir des réponses plus précises et pertinentes dans un contexte donné.

59Comme l’ont observé Su et al. (2023), il est important d’adopter une approche critique vis-à-vis des révisions proposées afin d’évaluer leur pertinence. À cette fin, l’utilisation de requêtes permettant de négocier le sens, telles que celles exprimant des désaccords ou demandant des clarifications, peut s’avérer utile. Enfin, le fait de pouvoir conserver les fils de discussion permet aux apprenants de revoir leur processus de RCÉ et de faire une analyse critique des requêtes qu’ils ont formulées et des réponses apportées par ChatGPT. Ces fils de discussion peuvent être collectionnés pour un suivi des progrès. Ils peuvent également être partagés avec l’enseignant et les pairs pour amener ouvertement en classe une discussion sur les interactions avec les outils d’IAG pour la RCÉ. Lors d’une telle discussion, il serait possible de comparer des requêtes plus ou moins efficaces, repérer les limites des outils en contexte d’apprentissage d’une langue, créer de nouvelles tâches pédagogiques, etc. Comme le soulignent Barysevich et Costaris (2021), il est important que les apprenants développent des compétences analytiques et soient capables de faire le lien avec leurs usages d’autres outils comme les traducteurs automatiques.

8. Conclusion

60Cette étude exploratoire se proposait d’examiner l’utilisation de ChatGPT comme outil de RCÉ en raison de sa nature interactive et adaptative. Les résultats, issus d’une intervention menée auprès d’apprenants de FLS, suggèrent que ChatGPT offre un potentiel prometteur pour la révision textuelle et la RCÉ interactive en français. Les participants de l’étude ont exprimé des opinions favorables concernant l’usage de ChatGPT pour la RCÉ au ressort de la tâche qu’ils devaient accomplir avec cet outil d’IAG.

61L’analyse des fils de discussion a fait émerger une typologie des interactions apprenant-machine ayant pris place durant la tâche de RCÉ et qui décrit d’une part, les types de requêtes formulées par les apprenants et, d’autre part, les réponses fournies par ChatGPT à ces requêtes.

62Des recommandations ont été formulées à la lumière des résultats obtenus qui mettent en avant des besoins de développer et de savoir « apprivoiser son robot conversationnel » en le sollicitant via divers types de requêtes et en formulant des requêtes les plus claires et précises possibles. Les recommandations soulignent de plus la valeur pédagogique ajoutée de pouvoir conserver, analyser, partager et comparer des traces de ses processus de tâches d’échanges en ligne avec ChatGPT.

63Les limites de l’étude résident dans son échantillonnage restreint, l’anonymat des participants qui a rendu impossible de croiser les données des questionnaires avec l’analyse des fils de discussion, ainsi que dans la réalisation d’une seule tâche avec ChatGPT. De futures études devraient viser des échantillons plus larges, avec des participants de différents niveaux de compétence linguistique et proposer divers scénarios de tâches de révision textuelle de sorte à mieux évaluer l’utilité de la RCÉ interactive de ChatGPT dans des contextes variés. L’examen des versions finales des textes produits par les participants permettrait également de mieux comprendre les rétroactions retenues et rejetées pour voir en quoi l’interaction pendant la révision textuelle permet de rédiger un texte de meilleure qualité.

Haut de page

Bibliographie

Bang, Y., Cahyawijaya, S., Lee, N., Dai, W., Su, D., Wilie, B., Lovenia, H., Ji, Z., Yu, T., Chung, W., Do, Q. V., Xu, Y., & Fung, P. (2023). A Multitask, Multilingual, Multimodal Evaluation of ChatGPT on Reasoning, Hallucination, and Interactivity. In J. C. Park, Y. Arase, B. Hu, W. Lu, D. Wijaya, A. Purwarianti, & A. A. Krisnadhi (Éds.), Proceedings of the 13th International Joint Conference on Natural Language Processing and the 3rd Conference of the Asia-Pacific Chapter of the Association for Computational Linguistics (Volume 1: Long Papers) (pp. 675‑718). Association for Computational Linguistics. https://doi.org/10.18653/v1/2023.ijcnlp-main.45

Barysevich, A., & Costaris, C. (2021). Traducteurs automatiques neuronaux comme outil didactique pédagogique : DeepL dans l’apprentissage du français langue seconde. Nouvelle Revue Synergies Canada, 14. https://www.erudit.org/fr/revues/nrsc/2021-n14-nrsc06653/1084953ar/

Benson, P. (2013). Teaching and Researching: Autonomy in Language Learning. Routledge. https://doi.org/10.4324/9781315833767

Bilmes, J. (2009). Taxonomies are for talking: Reanalyzing a Sacks classic. Journal of Pragmatics, 41(8), 1600-1610. https://doi.org/10.1016/j.pragma.2008.10.008

Bitchener, J., & Ferris, D. (2011). Written corrective feedback in second language acquisition and writing. Routledge. https://doi.org/10.4324/9780203832400

Bourdais, A. (2021). Outils d’aide à la traduction : pratiques numériques ordinaires en contexte scolaire. Lidil, 63, 1-15. https://doi.org/10.4000/lidil.8819

Caws, C., & Hamel, M.-J. (2013). From analysis to training: Recycling interaction data into learning processes. OLBI Working Papers, 5. https://doi.org/10.18192/olbiwp.v5i0.1116

Coyne, S., Sakaguchi, K., Galvan-Sosa, D., Zock, M., & Inui, K. (2023). Analyzing the Performance of GPT-3.5 and GPT-4 in Grammatical Error Correction. ArXiv. https://doi.org/10.48550/arXiv.2303.14342

Creely, E. (2023). The possibilities, limitations, and dangers of generative AI in language learning and literacy practices. Proceedings of the International Graduate Research Symposium 2023, 1-14. University of Languages and International Studies (ULIS). https://www.researchgate.net/publication/375558249

Egbert, J. (2020). Language Task Engagement (Theory). In J. Egbert & M. F. Roe (Éds.), Theoretical Models for Teaching and Research. Pressbooks (chapter 18). WSU Open Text. https://opentext.wsu.edu/theoreticalmodelsforteachingandresearch/chapter/language-task-engagement-theory/

Fang, T., Yang, S., Lan, K., Wong, D. F., Hu, J., Chao, L. S., & Zhang, Y. (2023). Is ChatGPT a Highly Fluent Grammatical Error Correction System? ArXiv. https://doi.org/10.48550/arXiv.2304.01746

Ferris, D. (1999). The Case for Grammar Correction in L2 Writing Classes: A Response to Truscott (1996). Journal of Second Language Writing, 8(1), 1-11. https://doi.org/10.1016/S1060-3743(99)80110-6

Guénette, D. (2009). The Cyberscript Project: A mixed-method study of pre-service ESL teachers’ corrective feedback beliefs and practices [Thèse de doctorat, Université McGill, Montréal, Canada]. eScholarship. https://escholarship.mcgill.ca/concern/theses/qf85nb66k

Hamel, M-J., & Bibeau, L-D. (2021). Pratiques (numériques) de rétroaction corrective des enseignants de langue et prototype d’outil numérique pour les optimiser. Alsic, 24(2). https://doi.org/10.4000/alsic.5550

Holmes, T. (2024). ChatGPT pour la rétroaction corrective écrite interactive en apprentissage du français langue seconde [thèse de maîtrise inédite, Université d’Ottawa, Canada]. https://ruor.uottawa.ca/items/9b2e3e15-0d07-4c59-92d2-630585dfcff5

IBM. (2024). Qu’est-ce que l’apprentissage en profondeur ? https://www.ibm.com/fr-fr/topics/deep-learning

Jiao, W., Wang, W., Huang, J.-T., Wang, X., Shi, S., & Tu, Z. (2023). Is ChatGPT a Good Translator? Yes With GPT-4 as the Engine. ArXiv. https://doi.org/10.48550/arXiv.2301.08745

Johnson, M. (2008). A Philosophy of Second Language Acquisition. Yale University Press. https://doi.org/10.12987/9780300129410

Kaplan-Rakowski, R., Grotewold, K., Hartwick, P., & Papin, K. (2023). Generative AI and Teachers’ Perspectives on its Implementation in Education. Journal of Interactive Learning Research, 34(2), 313-338. https://www.learntechlib.org/primary/p/222363/

Kojima, T., Gu, S. S., Reid, M., Matsuo, Y., & Iwasawa, Y. (2023). Large Language Models are Zero-Shot Reasoners. Proceedings of the 36th Conference on Neural Information Processing Systems (NeurIPS 2023), 1-15. https://doi.org/10.48550/arXiv.2205.11916

Koltovskaia, S. (2020). Student engagement with automated written corrective feedback (AWCF) provided by Grammarly: A multiple case study. Assessing Writing, 44. https://doi.org/10.1016/j.asw.2020.100450

Lee, I. (2003). L2 writing teachers’ perspectives, practices and problems regarding error feedback. Assessing Writing, 8, 216-237. https://doi.org/10.1016/j.asw.2003.08.002

Lim, F. V., & Phua, J. (2019). Teaching writing with language feedback technology. Computers and Composition, 54. https://doi.org/10.1016/j.compcom.2019.102518

Loem, M., Kaneko, M., Takase, S., & Okazaki, N. (2023). Exploring Effectiveness of GPT-3 in Grammatical Error Correction: A Study on Performance and Controllability in Prompt-Based Methods. Proceedings of the 18th Workshop on Innovative Use of NLP for Building Educational Applications, 205-219. https://aclanthology.org/2023.bea-1.18/

Luyat, M., & Regia-Corte, T. (2009). Les affordances : de James Jerome Gibson aux formalisations récentes du concept. L’Année psychologique, 109, 297-332. https://doi.org/10.3917/anpsy.092.0297

Mercer, S. (2019). Language Learner Engagement: Setting the Scene. In X. Gao (Éd.), Second Handbook of English Language Teaching (p. 643‑660). Springer International Publishing. https://doi.org/10.1007/978-3-030-02899-2_40

Oga-Baldwin, W. L. Q. (2019). Acting, thinking, feeling, making, collaborating: The engagement process in foreign language learning. System, 86. https://doi.org/10.1016/j.system.2019.102128

OpenAI (2024). Introducing ChatGPT. https://openai.com/blog/chatgpt

Pallaud, B., Rauzy, S., & Blache, P. (2013). Auto-interruptions et disfluences en français parlé dans quatre corpus du CID. Travaux interdisciplinaires sur la parole et le langage, 29. https://doi.org/10.4000/tipa.995

Reinders, H., & Mohebbi, H. (2018). Written Corrective Feedback: The Road Ahead. Language Teaching Research Quarterly, 6, 1-6. https://doi.org/10.32038/ltrq.2018.06.01

Shen, Y., Heacock, L., Elias, J., Hentel, K. D., Reig, B., Shih, G., & Moy, L. (2023). ChatGPT and Other Large Language Models Are Double-edged Swords. Radiology, 307(2), 1-4. https://doi.org/10.1148/radiol.230163

Shintani, N. (2016). The effects of computer-mediated synchronous and asynchronous direct corrective feedback on writing: a case study. Computer Assisted Language Learning, 29(3), 517-538. https://doi.org/10.1080/09588221.2014.993400

Storch, N., & Wigglesworth, G. (2010). Learners’ processing, uptake, and retention of corrective feedback on writing: Case studies. Studies in Second Language Acquisition, 32(2). 303-334. https://doi.org/10.1017/S0272263109990532

Su, Y., Lin, Y., & Lai, C. (2023). Collaborating with ChatGPT in argumentative writing classrooms. Assessing Writing, 57. https://doi.org/10.1016/j.asw.2023.100752

Truscott, J. (1996). The Case Against Grammar Correction in L2 Writing Classes. Language Learning, 46(2), 327-369. https://doi.org/10.1111/j.1467-1770.1996.tb01238.x

Vincent, F., Fontaine, S., Peters, M., & Boies, T. (2019). Les stratégies d’écriture universitaire numérique : pratiques déclarées d’étudiants et d’enseignants québécois. Revue internationale des technologies en pédagogie universitaire, 16(2), 5-23. https://doi.org/10.18162/ritpu-2019-v16n2-03

Vygotsky, L. S. (1987). The Collected works of LS Vygotsky: Vol. 1, Problems of General Psychology. Plenum Press.

Woodworth, J. & Barkaoui, K. (2020). Perspectives on Using Automated Writing Evaluation Systems to Provide Written Corrective Feedback in the ESL. TESL Canada Journal, 39(2), 234-247. https://doi.org/10.18806/tesl.v37i2.1340

Wu, H., Wang, W., Wan, Y., Jiao, W., & Lyu, M. R. (2023). ChatGPT or Grammarly? Evaluating ChatGPT on Grammatical Error Correction Benchmark. ArXiv. https://doi.org/10.48550/arXiv.2303.13648

Xian, Y., Lampert, C. H., Schiele, B., & Akata, Z. (2019). Zero-shot Learning – A Comprehensive Evaluation of the Good, the Bad and the Ugly. IEEE Transactions on Pattern Analysis and Machine Intelligence, 41(9), 2251-2265. https://doi.org/10.1109/TPAMI.2018.2857768

Zhang, Z. (2017). Student engagement with computer-generated feedback: a case study. ELT Journal, 71(3), 317-328. https://doi.org/10.1093/elt/ccw089

Haut de page

Notes

1 Le rappel fait référence à la capacité d’un modèle de repérer correctement les erreurs grammaticales pendant la CEG.

2 En apprentissage profond, zero-shot indique qu’un modèle peut résoudre un problème ou classer un élément sans entraînement explicite (Xian et al., 2020). Zero-shot chain-of-thought, basé sur le contexte zero-shot, demande au modèle de raisonner étape par étape ce qui peut améliorer la qualité des réponses produites (Kojima et al., 2023).

3 D’après la théorie des affordances de Gibson, les affordances font référence à la capacité d’un être à adapter son comportement selon les potentialités proposées par son environnement (Luyat & Regia-Corte, 2009).

4 BonPatron

5 Antidote

6 Tous les exemples cités dans cet article sont authentiques ; leurs erreurs n’ont pas été corrigées.

7 Cet adage renvoie au fait que la qualité des résultats produits sera intrinsèquement liée à la qualité des données d’entrée.

Haut de page

Table des illustrations

Titre Figure 1 – Exemple d’une requête de type « Modification » en contexte.
URL http://journals.openedition.org/alsic/docannexe/image/7974/img-1.png
Fichier image/png, 74k
Titre Figure 2 – Exemple d’une réponse de type « Réponse attendue » en contexte.
URL http://journals.openedition.org/alsic/docannexe/image/7974/img-2.png
Fichier image/png, 199k
Titre Figure 3 – Exemple d’une réponse de type « Clarification : incompréhension » en contexte.
URL http://journals.openedition.org/alsic/docannexe/image/7974/img-3.png
Fichier image/png, 40k
Titre Figure 4 – Exemple d’une réponse de type « Clarification : précision » en contexte.
URL http://journals.openedition.org/alsic/docannexe/image/7974/img-4.png
Fichier image/png, 280k
Titre Figure 5 – Exemple d’une réponse de type « Clarification : explication additionnelle » en contexte.
URL http://journals.openedition.org/alsic/docannexe/image/7974/img-5.png
Fichier image/png, 102k
Titre Figure 6 – Exemple d’une réponse de type « Autocorrection » en contexte.
URL http://journals.openedition.org/alsic/docannexe/image/7974/img-6.png
Fichier image/png, 43k
Haut de page

Pour citer cet article

Référence électronique

Taegan Holmes et Marie-Josée Hamel, « Analyse des interactions d’apprenants de FLS avec ChatGPT pour la rétroaction corrective écrite »Alsic [En ligne], Vol. 28, n° 1 | 2025, mis en ligne le 05 mars 2025, consulté le 23 mars 2025. URL : http://journals.openedition.org/alsic/7974 ; DOI : https://doi.org/10.4000/13f6h

Haut de page

Auteurs

Taegan Holmes

Taegan Holmes [elle/la] vient de terminer une maîtrise avec thèse en études du bilinguisme à l’Université d’Ottawa. Elle est professeure de français au Collège La Cité, tutrice et assistante de recherche avec eTASC, un laboratoire de recherche développant un outil numérique d’annotation textuelle. Elle est actuellement doctorante à l’Université Lumière Lyon 2.
Affiliation : université d’Ottawa, Canada.
Courriel : tholmes@uottawa.ca
Adresse : Institut des langues officielles et du bilinguisme, 70 avenue Laurier Est, pièce 105, Ottawa ON K1N 6N5, Canada.

Marie-Josée Hamel

Marie-Josée Hamel est professeure en didactique des langues secondes à l’Institut des langues officielles et du bilinguisme de l’Université d’Ottawa. Elle y dirige un groupe de recherche en langues et technologies et le laboratoire eTASC. Ses travaux de recherche portent sur l’ergonomie des interfaces d’apprentissage des langues et les pratiques numériques des enseignants et apprenants de langue.
Affiliation : université d’Ottawa, Canada.
Courriel : marie-josee.hamel@uottawa.ca
Toile : https://ilob.uottawa.ca/hamel.php
Adresse : Institut des langues officielles et du bilinguisme, 70 avenue Laurier Est, pièce 105, Ottawa ON K1N 6N5, Canada.

Articles du même auteur

Haut de page

Droits d’auteur

CC-BY-NC-ND-4.0

Le texte seul est utilisable sous licence CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

Haut de page
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search