Developing a Framework for Understanding Lecturer-Student Interaction in English-Medium Undergraduate Lectures in Sri Lanka: First Step Towards Dialogic Teaching
Notice bibliographique
Résumé
This study focuses on developing a framework to identify dialogic interaction in English-medium science lectures in a small faculty of a Sri Lankan university. In Sri Lanka, English-medium instruction was introduced with an objective of developing language proficiency of students along with the content delivery. It is asserted that teacher-student interaction in ESL content classes would help develop language proficiency of students. However, generally, lectures in English-medium undergraduate courses in Sri Lanka tend to be monologic, leaving the language development a question. The lecture delivery style, along with other reasons, affects students’ language development in English-medium classes. Although increased dialogic interaction could help change this situation, few studies have examined the occurrence of dialogic interaction in tertiary-level ESL science classes. The main objective of this study is to develop a framework by analysing the lectures given at the faculty in a method that contextually suits the lecture delivery style in the Asian countries. Data were collected from transcribed recordings of 12 hours of lectures, involving four lecturers. The interactional episodes in the lectures were the basis of developing the analytical framework, which refines and extends the MICASE corpus interactivity rating in a contextually-focused way, was especially designed to categorise the lecture discourse along a monologic-interactive/dialogic continuum. This paper also suggests how this framework could be adopted to analyse the lecture deliveries from a practitioner’s point of view. Within the scope of this paper it is explained how this framework was designed focusing attention to interactional episodes. It can be envisaged that the proposed framework can make a concrete contribution to teaching and learning in higher education, mainly to the concept of developing language through dialogic lecture delivery at tertiary level ESL content classes.
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 | 0,007 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,011 |
| Communication savante | 0,011 | 0,009 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».