LINGUISTIC LANDSCAPE: AN AUTHENTIC MATERIAL TO TEACH ENGLISH TO HIGH SCHOOL STUDENTS
Notice bibliographique
Résumé
Abstrak Lansekap linguistic (LL) telah digunakan sebagai bahan pembelajaran dan pemelajaran Bahasa Inggris di beberapa kota seperti Calgary-Canada, Oaxaca-Mexico, Seoul-Korea, dan Taipei-Taiwan. Hal tersebut dikarenakan fungsi informatif dan simbolik dari LL. Dari LL sebuah area dapat dipelajari penggunaan Bahasa Inggris secara deskriptif dan preskriptif. Selain itu, dari LL dapat ‘dibaca’ hubungan antara kekuasaan dan bahasa dan isu-isu menarik lainnya. Sejauh pengetahuan penulis, LL belum lazim digunakan di dalam konteks pembelajaran Bahasa Inggris di Indonesia. Karena itu, penulis berinisiatif menjadikan LL dalam perspektif pembelajaran Bahasa Inggris sebagai tema kegiatan pengabdian kepada masyarakat (PkM) bagi guru-guru Bahasa Inggris tingkat SMP, SMU dan SMK di Provinsi Banten yang diadakan pada 25 Juli 2018 di Universitas Sultan Maulana Hasanuddin, Serang, Banten. Pada kegiatan PkM tersebut penulis mendeskripsikan cara penggunaan LL sebagai materi otentik untuk pembelajaran Bahasa Inggris seperti yang telah dilakukan oleh para guru, peneliti dan ahli bahasa di beberapa negara di atas. Penulis juga mengungkapkan pengalamannya sendiri menggunakan LL sebagai bahan pemelajaran bahasa Inggris. Hampir semua peserta baru mengetahui terminologi LL dan tertarik untuk menggunakan LL sebagai bagian dari bahan pembelajaran bahasa Inggris.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,006 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,065 | 0,019 |
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 ».