Language Teachers and Their Trajectories Across Technology-Enhanced Language Teaching: Needs and Beliefs of ESL/EFL Teachers
Notice bibliographique
Résumé
In this article, we present the initial results of the first phase of our international Research Network, which sets out to revisit the current needs of language teachers in terms of training to achieve the integration of technology within their educational contexts. We focus on the type of needs and their order of priority from the viewpoint of English as a Second/Foreign Language (ESL/EFL) teachers and suggest some recommendations for training programs. These data, collected via an online questionnaire distributed in several countries, were analyzed quantitatively and qualitatively in relation to participants’ perceptions of needs regarding language education technology, as well as participants’ perceptions of the “ideal” teacher, and their relation to the use of technology. Results indicate that despite overall satisfaction regarding training received, many teachers mention their need for a posttraining follow-up. They also express interest in developing “learning task design” skills and in exploring course management platforms such as Moodle. Furthermore, while most participants fully or partially agree with the relationship between technology and excellence in language teaching, their definition of the “ideal” language teacher rarely includes the use of technology. A shift in “ideal” teacher beliefs seems, therefore, necessary for better adoption and use of technology in language education. Dans cet article, nous présentons les premiers résultats de la phase initiale d’une étude effectuée par notre Réseau international de recherche, qui vise à réexaminer les besoins actuels des professeurs de langues en termes de formation sur l'intégration de la technologie dans leur propre contexte éducatif. Nous mettons l’accent sur les types de besoins et leur ordre de priorité du point de vue des professeurs d’anglais langue seconde/langue étrangère (ESL/EFL) en proposant plusieurs recommandations pour les programmes de formation. Les données ont été collectées par le biais d’un questionnaire en ligne distribué dans plusieurs pays, et ont fait l'objet d'une analyse quantitative et qualitativement par rapport aux perceptions des participants sur les besoins en matière de technologie de l'enseignement des langues. Le questionnaire interroge aussi les participants sur leur perception de l'enseignant « idéal », et leur relation avec l'utilisation de la technologie. Les résultats indiquent que malgré la satisfaction générale concernant la formation reçue, de nombreux enseignants mentionnent leur besoin d'avoir un suivi. Ils expriment également leur intérêt à développer des compétences en conception de tâches d’apprentissage et à explorer des plates-formes de gestion des cours comme Moodle. En outre, bien que la plupart des participants reconnaissent un lien positif entre la technologie et l'excellence dans l'enseignement des langues, leur définition du professeur de langues « idéal » inclut rarement l'utilisation de la technologie. Il semble donc nécessaire que les croyances relatives à la définition du professeur de langue « idéal » évoluent afin de favoriser l’adoption et l’usage de la technologie dans l’enseignement de langues.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».