Integrating content and language in specialized language teaching and learning with the help of ICT
Notice bibliographique
Résumé
In recent times globalization has had a significant impact on content-teaching methodologies. Mobility in Europe is also a major issue that stimulated the implementation of such practice. David Marsh and Peeter Mehisto have pointed out that many governments have adopted some form of second-language-medium instruction. But reading in a second language per se does not make an example of language teaching, as the focus is primarily on content, not language. The instrumental use of a vehicular language – generally a second or foreign language to learners – does not imply analyzing and practicing the communicative structures of the vehicular language itself. Conversely, as Andy Kirkpatrick argued, all good language teaching needs to be based on content that engages the learner, but this is meant to provide useful contexts of use which will enhance the learning experience. Integration of content and language can only be achieved through the combination of professional expertise and linguistic competence provided by subject teachers and language teachers. Yet, although team teaching would seem to be the ideal solution, this is very difficult to achieve in practice for a number of reasons. Drawing on the successful experience of Canadian immersion programmes, where teachers are trained to teach French, and the subject through French, we believe that a second-language medium of instruction should ideally use teachers trained in both language and content pedagogy. ICT plays a fundamental role in achieving this dual goal as the case study presented in this paper proves. By analyzing a scenario of content and language integrated learning based on the use of e-learning technologies, the paper points out the relevance of involving students in ICT-based activities which give them a combination of professional expertise and linguistic competence.
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 | 0,001 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».