Notice bibliographique
Résumé
Abstract Since the early 1990s, there has been a growing awareness that combining quantitative and qualitative data from diverse sources could add value to several ongoing issues in language assessment/testing (LT) research. This entry describes an instrument development project for assessment and evaluation purposes using an MMR design. Language barriers can arise when members of linguistic minorities and their health professionals do not speak the same first language. This entry reports on the first part of an L2 assessment development project where construct definition was the focus. The purpose was to identify and validate a set of speech tasks relating to nurse interactions with patients and to derive the L2 ability required for nurses to carry out those tasks. The research design had two sequential phases. The first phase (qualitative) included a literature review leading to an initial list of speech tasks, and validation of this list with a nurse focus group, followed by verbal protocol with a nurse expert. The retained speech tasks were then developed into a questionnaire and administered to 133 nurses who assessed each speech task for difficulty in an L2 context. The second phase (quantitative) included descriptive statistics, Rasch analysis, exploratory and confirmatory factor analyses, and alignment of resulting speech tasks with the Canadian Language Benchmarks. Results showed that speech tasks dealing with emotional aspects of caregiving and conveying health‐specific information were reported as being the most demanding in terms of L2 ability and the most strongly associated with L2 ability required for nurse–patient interactions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,476 | 0,486 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,011 | 0,013 |
| Études des sciences et des technologies | 0,005 | 0,005 |
| Communication savante | 0,013 | 0,006 |
| Science ouverte | 0,006 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».