MétaCan
Menu
Retour à la cohorte
Enregistrement W2910209836 · doi:10.5539/elt.v12n2p88

Investigating the Application of Communicative Language Teaching Principles in Primary-Education: A Comparison of CLIL and FL Classrooms

2019· article· en· W2910209836 sur OpenAlexvenueno aff
Irene Guzmán-Alcón

Notice bibliographique

RevueEnglish Language Teaching · 2019
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueSecond Language Learning and Teaching
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésContent and language integrated learningPsychologyCommunicative language teachingLanguage acquisitionMathematics educationPedagogyRelation (database)Teaching methodLanguage educationComputer scienceForeign language

Résumé

récupéré en direct d'OpenAlex

It is widely accepted that the learning of a new language, among other advantages, promotes respect and interest of the students towards other cultures and languages. The question is how learning languages can be promoted in educational settings. The aim of the present study is to explore the principles of communicative language teaching in primary-education CLIL and FL classrooms. More specifically, in this paper we address to what extent collaborative work, attention to language and content and corrective feedback are observed during teacher-student and peer interaction in these educational settings. Following an action research approach, ten Spanish and ten Maths sessions were observed and recorded. Furthermore, whole group interaction and peer interaction were analysed in relation to the participants’ attention to language and content. Results from the study show that communicative language teaching is the approach followed in CLIL and FL sessions, tasks being the organizing units. However, differences are observed in relation to attention to language and use of correction strategies. Our findings suggest the need to use strategies to draw attention to language and content in CLIL settings, and the importance of using a more even range of correction strategies both in CLIL and FL classrooms.

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)0,002
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,040

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0030,001
Études des sciences et des technologies0,0030,003
Communication savante0,0040,001
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
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 Opus0,019
Tête enseignante GPT0,283
Écart entre enseignants0,264 · 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'étudeObservationnel
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

Citations8
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnglish Language TeachingMême sujetSecond Language Learning and TeachingTravaux en français237 207