I Can’t Program! Customizable Mobile Language-Learning Resources for Researchers and Practitioners
Notice bibliographique
Résumé
Combining insights from Activity Theory (Engeström, 2014), mobile-assisted language-learning (MALL) (Stockwell and Hubbard, 2013), and computer-assisted language learning (CALL) research (Chapelle, 2001), this paper proposes three levels of teacher involvement in the adaptation and/or creation of MALL resources to enhance learner interaction with the target language and potentially contribute to the field of learner-computer interactions. Specifically, this paper (1) proposes three levels of teacher involvement in MALL material creation, moving from easily adaptable pre-made materials (e.g., Duolingo) to customizable materials (e.g., Quizlet) and finally to teacher-created materials (e.g., Moodle); (2) demonstrates how these levels of design can be implemented in a MALL context to increase target language interaction according to Activity Theory (e.g., how teachers can incorporate gaming features into their online courses); and (3) concludes with recommendations as to how MALL “engineers” can work together to enhance the overall L2 learning experience and potentially collaborate in research and in the design of pedagogical materials. From a pedagogical standpoint, through these three levels of teacher involvement in material creation, teachers can extend the reach of their classrooms by mobilizing the target L2 environments, depending on their MALL/CALL proficiency and/or interests. This approach also invites second language acquisition scholars from a wide range of technological abilities to contribute to CALL research.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,011 |
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 ».