What’s app? Negotiating the good, bad, and ugly of apps for (English and other) language learning.
Notice bibliographique
Résumé
While schools attempt to merge new technologies and digital literacies in curricular instruction, the social permeation of mobile digital devices, uptake of social media, and utilization of apps is far more evident in social practice. Mobile digital technologies enabling novel learning designs hold much promise for both classroom (Mahruf et al, 2010; McCombs et al, 2006), and self-access learning (Kukulska‐Hulme, 2009). However, a 2014 survey of Canadian teachers’ use of educational technologies (Mindsharelearning, 2014), confirms that the use of mobile devices in the classroom lags behind their ubiquity in social spheres. The ubiquitous app—a third party computer program designed for mobile devices, and available at minimal or no cost to the user—is less than a decade old. In 2007, Apple produced a game-changing smart phone, which was a powerful portable computer capable of wireless Internet connection (Sanford, 2015), and enabling the user to communicate interactively in context. This presentation draws data from two studies on mobile language learning apps to disentangle the growing profusion of apps for language learning, examine the theory and pedagogy behind popular language teaching apps and consider how the affordances of mobile technologies might be imaginatively utilized for effective teaching and learning.
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 | 0,012 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,014 |
| Communication savante | 0,015 | 0,025 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».