Digital Multimodal Composition and Second Language Teacher Knowledge
Notice bibliographique
Résumé
Before second language writing (SLW) teachers’ digital practices can be supported, their needs must first be understood. To accomplish effective technology-enhanced instruction, SLW teachers must blend their knowledge of composition theory, second language acquisition, and multimodal composition technologies. However, many teachers struggle to do this, which highlights the need for research addressing the cognitive aspects that influence digital instruction. This case study reports on an investigation of three in-service university SLW teachers’ Technological Pedagogical Content Knowledge (TPACK) during a digital reflective portfolio module. Data from an online survey, instructional content, classroom observations, and semistructured interviews were triangulated to uncover the nature of SLW teachers’ TPACK, including which factors supported and constrained their use of technology. Findings suggest that pedagogical content knowledge played a dominant role in how the teachers used technology. The teachers’ TPACK was enhanced by professional beliefs about the importance of multimodality and contextual factors involving institutional support and communities of practice. However, it was constrained by limited self-efficacy and pedagogical beliefs concerning the influence of technology on student learning and student engagement. This study contributes to a growing body of research on how to support language teachers in their digitally mediated practices. Avant de pouvoir soutenir les pratiques numériques des enseignantes et enseignants d’expression écrite en langue seconde (SLW), il faut commencer par en comprendre les besoins. Pour être à même de dispenser efficacement un enseignement enrichi par la technologie, les enseignantes et enseignants d’expression écrite en langue seconde doivent amalgamer leurs connaissances dans les domaines de la théorie de la composition, de l’acquisition d’une langue seconde et des technologies de composition multimodale. Beaucoup d’enseignantes et d’enseignants, toutefois, arrivent mal à le faire, ce qui souligne le besoin de recherches sur les facteurs cognitifs qui ont une incidence sur l’enseignement numérique. La présente étude de cas fait état de recherches menées auprès de trois enseignants (un homme et deux femmes) d’expression écrite en langue seconde en cours de service au niveau universitaire dans le cadre TPACK (Technological Pedagogical Content Knowledge). Des données issues d’un sondage en ligne, un contenu pédagogique, des observations faites en salle de classe et des entrevues semi-structurées ont été triangulés pour lever le voile sur la nature des connaissances des enseignantes et enseignants d’expression écrite en langue seconde dans le cadre TPACK, y compris la question de savoir quels facteurs soutiennent ou restreignent leur recours à la technologie. Les constatations suggèrent que la connaissance du contenu pédagogique joue un rôle prépondérant dans la façon dont les enseignantes et enseignants utilisent la technologie. Leurs connaissances sont par ailleurs renforcées par des convictions professionnelles concernant l’importance de l’intermodalité ainsi que par des facteurs contextuels impliquant le soutien institutionnel et les communautés de pratique. Elles se sont toutefois avérées limitées par l’auto-efficacité réduite des enseignantes et enseignants et leurs croyances pédagogiques relativement à l’influence de la technologie sur l’apprentissage et l’engagement des étudiantes et étudiants. Cette étude s’ajoute à un corpus croissant de recherches sur la façon de soutenir les professeurs de langue dans leurs pratiques numériques.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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.
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 ».