MétaCan
Menu
Retour à la cohorte
Enregistrement W3202322444 · doi:10.1093/applin/amab044

Affordances of Plurilingual Instruction in Higher Education: A Mixed Methods Study with a Quasi-experiment in an English Language Program

2021· article· en· W3202322444 sur OpenAlexafffundabout
Angelica Galante

Notice bibliographique

RevueApplied Linguistics · 2021
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueSecond Language Learning and Teaching
Établissements canadiensMcGill University
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésAffordancePsychologyMathematics educationApplied linguisticsCompetence (human resources)EmpathyPedagogyMultilingualismEnglish languageLinguisticsCognitive psychologySocial psychology

Résumé

récupéré en direct d'OpenAlex

Abstract While calls have been made for a multi/plural turn in Applied Linguistics, there remains a paucity of research investigating instruction that addresses the turn and its effects on student learning compared with monolingual one-language-only instruction. This study examines the effects of plurilingual instruction on students’ plurilingual and pluricultural competence (PPC) relative to monolingual English-only instruction. Moreover, it investigates potential additional affordances. Seven teachers in an English for Academic Purposes (EAP) program in a Canadian university taught two intact groups for four months: treatment (plurilingual instruction, n = 79) and comparison (monolingual instruction, n = 50) groups. Results from pre- and post-tests of the PPC scale show that students in the treatment group had higher PPC levels over time relative to students in the comparison group. Moreover, analyses of diaries and focus groups with students in the treatment group show that plurilingual instruction offers affordances such as cognition, empathy, and criticality. These results are significant as they suggest that plurilingual instruction may be more effective than monolingual instruction in the development of PPC and it offers several additional affordances.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,058

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,010
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0040,002
Communication savante0,0020,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,029
Tête enseignante GPT0,345
Écart entre enseignants0,316 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations23
Publié2021
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueApplied LinguisticsMême sujetSecond Language Learning and TeachingTravaux en français237 207