Strategies for Integrating Digital Technology in Classrooms to support English Language Learners’ Learning and Engagements
Notice bibliographique
Résumé
Toronto is one of the most multicultural cities in Canada, and as a result, the population of English Language Learners (ELLs) only continues to grow in its classrooms. In a recent survey done by People for Education on Ontario’s Publicly Funded Schools, 73% of elementary schools reported they have ELLs who require language support (People for Education, 2015). Technology is the mechanism through which current generations of students are growing up and learning, and can be used as a tool for levelling the playing field for ELLs, allowing them to showcase their knowledge through a familiar medium. \n \nThis research study focused on learning the different strategies teachers use to integrate digital technology to support ELLs’ learning and engagement in the classrooms. Data was collected through semi-structured interviews with two elementary teachers currently working in a publicly funded school board in Ontario. Participants used technology to differentiate instruction for ELLs in terms of the delivery of material, more time to process information and complete work at their own pace, and offering a different way to demonstrate understanding and learning. Teachers observed increased student engagement as digital technology provided students with opportunities to express themselves in different ways. Recommendations include creating a community network, e-platform, where teachers can mentor each other, share instructional practices, technological implementations, and questions and concerns.
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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 tête enseignante, 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 ».