Notice bibliographique
Résumé
Since the early 1990s, mixed methods research (MMR) has evolved into the third research paradigm alongside quantitatively oriented inquiry (numeric data) and qualitatively oriented inquiry (narrative data). MMR is interested in both quantitative and qualitative analyses and primarily works from a pragmatic stance to use what works best in order to answer research questions. The research question, rather than a preconceived paradigm (e.g., post‐positivist, positivist, constructivist), is central and drives the choice of design. The interest in and practice of MMR have emerged rapidly and spread across many domains in the social and behavioral sciences. Within this context, the focus of this chapter is on discussing MMR as it has manifested itself within the language testing/assessment (LT) research community. In some ways MMR's evolution in LT parallels its general emergence, but in other ways there are developments specific to the LT field. For example, MMR is increasingly being employed for instrument development, classroom‐based assessment, and large‐scale assessment studies. In addition, MMR designs are being used to address issues such as construct definition and rater effects in language assessments. To help explain this evolution, the chapter situates MMR from an historical perspective and discusses how LT research designs are increasingly situating themselves in this third research community. As this trajectory is traced in LT research, the chapter also describes the nature, conventions, practice, and research designs that are emerging and becoming specific to the LT field. It is interesting, however, that any debate or discussion of MMR issues seems less prevalent in LT, whereas it is abundant in the general MMR literature. What is important to note is that LT's rationale for the use of MMR follows closely the philosophical orientation most often associated with it, that is, pragmatism.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,165 | 0,007 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».