Incorporating Authentic Materials and Digital Taxonomy in Teaching English: Pragmatic Innovation Through Integrative CALL
Notice bibliographique
Résumé
This article centers on the development of multimedia and technology that proliferates around 21st century English language learners creating a media—rich environment, but accessibility of these may not be similar on how other learners may benefit. This imparts how learners benefit indiscriminately through integrative Computer Assisted Language Learning (CALL) with pragmatic tasks from authentic materials incorporating digital taxonomy. As adapted methods, a rigid review of related studies and practical examples to underpin three conceptualized techniques. These were subjected for exemplification in the discussion: (a) producing varied independent outputs through different materials, (b) creating a single independent output through intertwined task from a single material, and (c) producing varied independent outputs from varied tasks through a single material. It is recommended that researches alluding to this paper must be conducted quantitatively to find out the correlation or significance of students’ critical thinking achievement with the engagement of digital taxonomy such as what Cotton (1991) emphasized that Computer Assisted Instruction aids the development of students’ critical thinking in which learners’ Higher Order Thinking skills (HOTs) activities are generated from varied computer manipulation. She further supported her study and claims through experimental researches conducted by Bass and Perkins (1984); Riding and Powell (1987); Pogrow (1988) and Baum (1990) that tend to be dominant manifestations prior to the formal discovery of digital taxonomy, its importance has been pioneered by several scholars.
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 | 0,102 |
| 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 | 0,001 |
| 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 ».