Developing Computer Literacy of Bilingual Students via CLIL Methodology
Notice bibliographique
Résumé
The research intended to present the scientific basis of CLIL and validate CLIL technology's implementation in a Russian higher education institution to develop computer literacy of Russian bilingual learners experimentally. Consequently, we acquired two essential scientifically proven procedures for implementing science education and math for multilingual learners in the educational institutions of The Republic of Tatarstan, Russia. The initial one indicates that bilingual learners can adjust their mother language to the bilingual education program's Russian education environment. The second one includes the concept of language immersion: educating bilingual learners utilizing the Russian language. In compliance with the first strategy, we devised computer-assisted learning assistance of CLIL implementation to evolve bilingual Tatar learners' computer literacy in teaching Informatics. The bilingual resource is made up of seven modules. It has been developed with the aid of commonly available technologies as well as Web 2.0 services. The investigation was managed to demonstrate the efficiency of CLIL technology to develop computer literacy of Tatar learners. The Institute of Philology and Intercultural Communication of Kazan Federal University was adopted as a site for the experiment: 69 students of the first year of education participated in the pilot experiment. The experiment outcomes revealed that CLIL, as a technology to teach Informatics, improves the development of bilingual learners' computer literacy.
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 | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».