MétaCan
Menu
Retour à la cohorte
Enregistrement W2171901759 · doi:10.18806/tesl.v31i0.1188

A Typology of Tasks for Mobile-Assisted Language Learning: Recommendations from a Small-Scale Needs Analysis

2015· article· en· W2171901759 sur OpenAlexvenueno aff
Moonyoung Park, Tammy Slater

Notice bibliographique

RevueTESL Canada Journal · 2015
Typearticle
Langueen
DomaineComputer Science
ThématiqueMobile Learning in Education
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésActive listeningTypologyMobile devicePsychologyCurriculumTask (project management)Mathematics educationPedagogyReading (process)Language acquisitionLanguage educationThe InternetMobile technologyComputer scienceLinguisticsSociologyWorld Wide WebCommunicationEngineering

Résumé

récupéré en direct d'OpenAlex

In response to the research priorities of members of TESOL (Teachers of English to Speakers of Other Languages), this study investigated language learners’ real-world tasks in mobile-assisted language learning (MALL) to inform the future development of pedagogic tasks for academic English as a second language (ESL) courses. The data included initial semistructured interviews with four ESL teachers and four college ESL students followed by an online task-based needs analysis conducted with 23 ESL teachers and 76 college ESL students at a university in the midwestern United States. Through the interviews and surveys, we identified how teachers and students used mobile devices and how they felt mobile devices could be used in language learning, and we categorized their target tasks in MALL according to the four language skills (reading, listening, speaking, and writing). The study found that ESL learners already use various mobile device functions, but that ESL instructors were less inclined to use these for teaching, suggesting that teachers may need further support and ideas before they can help their learners take advantage of their mobile devices for language learning. Both learners and teachers gave high rankings to tasks for listening and speaking as well as to activities integrated with SMS and the Internet. Based on the identified tasks, we created a MALL task typology to provide an initial authentic and sound resource for the future development of MALL tasks, lesson plans, and curricula.En réponse aux priorités de recherche des membres de TESOL (enseignement de l’anglais à des apprenants étrangers), cette étude a porté sur les tâches réelles dans le contexte de l’apprentissage mobile des langues pour ensuite éclairer le développement de tâches pédagogiques pour l’anglais académique dans les cours d’anglais langue seconde (ALS). La collecte des données a inclus des entrevues initiales semi-structurées auprès de quatre enseignants d’ALS et quatre étudiants d’ALS à l’université, ainsi qu’une analyse des besoins basée sur les tâches et accomplie en ligne auprès de 23 enseignants d’ALS et 76 étudiants d’ALS dans une université du Midwest des États-Unis. Les entrevues et les enquêtes ont permis d’identifier l’emploi que faisaient les enseignants et les étudiants des appareils mobiles ainsi que leurs perceptions du rôle que pouvaient jouer les appareils dans l’apprentissage d’une langue. Par la suite, nous avons classé leurs tâches cibles selon quatre compétences linguistiques (lecture, écoute, expression orale et rédaction). Les résultats indiquent que les apprenants d’ALS se servent déjà de diverses fonctions des appareils mobiles mais que les enseignants d’ALS étaient moins portés à s’en servir pour l’enseignement, ce qui porte à croire qu’il faudrait peutêtre leur offrir plus d’appui et d’idées de sorte à ce qu’ils soient en mesure d’aider les apprenants à profiter de leurs appareils mobiles pour apprendre la langue. Tant les apprenants que les enseignants ont attribué beaucoup d’importance aux tâches liées à l’écoute, à l’expression orale, à la messagerie texte et à l’Internet. À partir des tâches identifiées, nous avons créé une typologie des tâches pour l’apprentissage mobile des langues, fournissant ainsi une première ressource authentique et solide pour le développement futur de tâches, de plans de cours et de programmes d’étude dans le domaine.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,047
score de la tête « metaresearch » (Gemma)0,070
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,047
Score d'incertitude au seuil0,248

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0470,070
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0230,015
Études des sciences et des technologies0,0080,009
Communication savante0,0120,029
Science ouverte0,0050,010
Intégrité de la recherche0,0030,005
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,283
Écart entre enseignants0,257 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations29
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTESL Canada JournalMême sujetMobile Learning in EducationTravaux en français237 207