Investment and motivation in language learning: What's the difference?
Notice bibliographique
Résumé
The year 2020 marked the 25th year since Bonny Norton published her influential TESOL Quarterly article, ‘Social identity, investment, and language learning’ (Norton Peirce, 1995) and the fifth year since we, Darvin and Norton (2015), co-authored ‘Identity and a model of investment in applied linguistics’ in the Annual Review of Applied Linguistics. From the time Norton's 1995 piece was published, investment and motivation have been conceptually imbricated and often collocated, as they hold up two different lenses to investigate the same reality: why learners choose to learn an additional language (L2). In our 2015 article, we made the case that while it is important to ask the question, ‘Are students motivated to learn a language?’ it is equally productive to ask, ‘Are students invested in the language practices of the classroom or community?’ (Darvin & Norton, 2015, p. 37). We recognize that the relationship between language teachers and learners is unequal, and that teachers hold the power to shape these practices in diverse ways. Teachers bring to the classroom not only their personal histories and knowledge, but also their own worldviews and assumptions (Darvin, 2015), which may or may not align with those of learners. Relations of power between learners can also be unequal. As Norton and Toohey (2011, p. 421) note: A language learner may be highly motivated, but may nevertheless have little investment in the language practices of a given classroom or community, which may, for example, be racist, sexist, elitist, anti-immigrant, or homophobic. Alternatively, the language learner's conception of good language teaching may not be consistent with that of the teacher, compromising the learner's investment in the language practices of the classroom. Thus, the language learner, despite being highly motivated, may not be invested in the language practices of a given classroom.
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 | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,012 |
| Communication savante | 0,010 | 0,010 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».