Entrevista com Heather Lotherington e Cheryl Paige
Notice bibliographique
Résumé
Toronto, no Canadá, é uma das cidades mais multiculturais do mundo. Suas escolas públicas costumam receber alunos de diferentes nacionalidades, ascendências, etnias, religiões e culturas, o que pode dificultar bastante os processos de ensino e aprendizagem. Nesta entrevista, as duas especialistas canadenses falam da produtiva parceria que estabeleceram, durante cerca de 10 anos, com objetivo de melhorar o ensino na Joyce Public School, escola situada no noroeste da cidade, na região de York. Com isso demonstram a importância do trabalho conjunto entre os especialistas das universidades e os professores da escola pública. Quem mais ganhou com essa pesquisa foram os professores e os alunos. Heather Lotherington é professora, pesquisadora e diretora associada da Faculdade de Educação da York University, em Toronto, Canadá. É ph. D. em Educação pela University of Toronto. Seus interesses de pesquisa são o ensino/aprendizagem de línguas, mediado pela tecnologia, em ambiente multicultural e multilinguístico. Em sua produção acadêmica, em meio a muitos artigos e papers, destacam-se os livros: Pedagogy of Multiliteracies: Rewriting Goldilocks (Pedagogia dos Multiletramentos: reescrevendo Goldilocks) (Routlege, 2011) e Teaching Young Learners in a Superdiverse World: Multimodal Approaches and Perspectives (Ensinando jovens aprendizes em um mundo superdiverso: abordagens multimodais e perspectivas) (Routledge, 2017), co-editado com Cheryl Paige. Os dois livros constituem a apresentação dos resultados da pesquisa-ação colaborativa realizada na Joyce Public School. Cheryl Paige é mestre em Educação pela University of Toronto, foi diretora da Joyce Public School e atualmente é consultora de Tecnologia Educacional no Toronto District School Board.
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 | 0,001 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,042 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».