Transcription orthographique et analyse acoustique

Après avoir pris part aux entrevues semi-structurées et les avoir enregistré, nous avons utilisé le logiciel Audacity afin de pouvoir diviser les entrevues en segments oraux mesurables, et prélever des segments oraux d’une durée de 30 à 90 secondes dans chaque entrevue pour étude. La plupart des segments étudiés se sont trouvé être d’une durée d’entre 59 et 61 secondes. Pour les mesures de ces segments d’énonciation provenant des entrevues semi-structurées, nous avons fait usage du logiciel PRAAT. PRAAT est un logiciel d’analyse de parole qui permet aux chercheurs de visualiser des fichiers sonores de formats différents sur une

représentation spectrographique à trois dimensions. Le logiciel fonctionne et est compatible avec tous types d’enregistrements aux formats MP3, WAV et FLAC, les trois formats digitaux les plus répandus pour les fichiers sonores.

Ce logiciel nous a permis d’identifier facilement et de segmenter de façon extrêmement précise (à la milliseconde près) les PS et les PR dans chaque entrevue, comme nous les avons définis dans la section précédente. Il nous a également permis de détecter les syllabes que nous désirions analyser automatiquement en y chargeant l’enregistrement audio désiré, ainsi que la durée exacte de la narration et des différents segments qui la constituent (énoncé, PS, PR). PRAAT permet de détecter le nucleus des syllabes à étudier pour pouvoir mesurer la vitesse d’énonciation des participants sans avoir besoin de transcription (tel que cité dans De Jong et Wempe, 2009).

C’est cette application qui nous a permis de diviser chaque segment oral et de compter le nombre de syllabes utilisées dans chaque entrevue, ou du moins dans chaque segment oral étudié, en temps réel, et d’écrire chaque syllabe, en dessous de la représentation spectrographique correspondant à chaque son. Cela nous a permis de calculer les deux mesures d’AAO : le DP et la LME. (Pour une représentation du procédé de division de segments sonores en syllabes, voir l’annexe E qui présente capture visuelle de la segmentation en syllabes sur PRAAT tiré d’une de nos entrevues semi-structurées). Nous avons ensuite comparé la segmentation des syllabes sur PRAAT aux transcriptions orthographiques que nous avons faites de toutes les entrevues semi-structurées pour assurer une plus grande précision et fidélité.

L’usage du programme a été décrit par De Jong et Wempe (2009) et par les créateurs du programme, Boersma et Weenink (2015) sur le site officiel de PRAAT (www.praat.org). En résumé, cette analyse acoustique nous a permis de calculer les mesures d’AAO en L2 définies précédemment : le DP, la LME, le PTP, la FPS, la

DPS, la FPR, et la DPR (v. Tableau 3), et de rassembler des données quantitatives sur le développement de l’aisance à l’oral des apprenants au fil des entrevues.

Au commencement de l’étude, nous avions envisagé l’utilisation d’un script PRAAT pour la détection des syllabes et pour le calcul automatique du débit de parole, basé sur celui utilisé par De Jong. et al. (2009). Cependant, une incompatibilité technique entre le script et notre ordinateur de fonction, un modèle de la marque Apple, nous a contraint à prendre part à une transcription orthographique de chaque entrevue.

Dans l’optique de ces entrevues, Dornyei (2007) conseillait la préparation de transcriptions orthographiques complètes des données enregistrées au cours d’analyses qualitatives. Il expliquait que les transcriptions d’entrevues se définissent en plusieurs étapes, étapes que nous avons suivies. Premièrement, nous avons pris part à un pré-codage consistant en la lecture des transcriptions des enregistrements et nos réflexions les concernant faites sous formes de mémos. Par la suite, nous avons mis au point un codage initial, consistant en la compartimentalisation du texte en différentes parties thématiques émergeantes au fil de la lecture.

Puis, nous avons crée un codage secondaire, nous permettant de comparer les libellés créées précédemment et regrouper les modèles similaires au travers des transcriptions individuelles sous des appellations plus amples. La dernière étape, l’interprétation des données récoltées, est faite de façon détaillée dans la section Discussion de notre mémoire, et consiste en la formation de conclusions tirées de nos analyses, prenant en compte les modèles les plus présents dans notre codage et culminant en la sélection d’un nombre limité de thèmes, et sujet et directions sur lesquels élaborer nos réflexions.

Ces transcriptions orthographiques nous ont permis de rassembler des données qualitatives sur le développement de l’aisance orale des apprenants, mais également sur leur vécu pendant le PEE. L’expérience en PEE étant construite a travers une

multitude de facteurs à la fois internes (les dimensions psychologiques, affectives, cognitives de l’identité d’un apprenants) et externes (l’attitude de la communauté de langue vis-à-vis de l’apprenant, les opportunités d’interactions), l’utilisation de transcriptions nous a permis d’obtenir des données qualitatives provenant des entrevues, en mettant au point une codification consistant en la labélisation de thèmes et de sous thèmes émergeants lors de leur lecture (Dornyei, 2007, p. 26). Ces thèmes et sous thèmes sont communs entre tous les apprenants, mais diffèrent entre les premières entrevues au T1 et les deuxièmes et troisièmes entrevues au T2 et T3. Dans les schémas suivants, (Schémas 1 et 2) nous avons décrits ces thèmes principaux en fonction de chaque entrevue.

Schéma 1

Thématiques de l’évolution de la langue en période de PEE dans le cadre des premières entrevues

Schéma 2

Thématiques de l’évolution de la langue en période de PEE dans le cadre des deuxièmes et troisièmes entrevues

En résumé, l’utilisation des transcriptions orthographiques et des analyses acoustiques a été essentielle dans notre optique de rassemblement de données à la fois quantitatives et qualitatives de par les entrevues semi-structurées. Toutes ces données qualitatives et quantitatives ont été analysées au travers d’analyses descriptives et de moyennes, les données quantitatives ne pouvant pas être interprétées au travers de

statistiques inférentielles généralisables, du fait de notre échantillon de participants trop restreint en nombre.