MétaCan
Menu
Retour à la cohorte
Enregistrement W3205577350 · doi:10.4324/9780429352836

Improving Learner Reflection for TESOL

2021· book· en· W3205577350 sur OpenAlexaff
Li‐Shih Huang

Notice bibliographique

Revuenon disponible
Typebook
Langueen
DomaineArts and Humanities
ThématiqueSecond Language Learning and Teaching
Établissements canadiensUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésReflection (computer programming)Mathematics educationSociologyComputer sciencePedagogyPsychologyProgramming language

Résumé

récupéré en direct d'OpenAlex

Presenting comprehensive research conducted with learners and educators in a range of settings, this volume showcases self-reflection as a powerful tool to enhance student learning. The text builds on empirical insights to illustrate how language professionals can foster critical self-reflection amongst learners of English as an additional language. This text uses ecologically sensitive practitioner research that addresses issues of both practical and pedagogical significance in the fields of TESOL, language teaching and learning, and teacher education. By synthesizing interdisciplinary research and theory, chapters show how various types of self-reflection—including guided and non-guided; group and individual forms; and written, oral, and technology-mediated reflection—can promote autonomous, self-regulated learning amongst students at various levels. Whilst offering readers a strong grounding in the theoretical and empirical knowledge that supports self-reflection, the volume gives constant attention is given to praxis, with a focus on effective pedagogical strategies and tools needed to implement, encourage, and evaluate critical learner reflection in readers’ own teaching or research. This volume will be a critical resource for language-teaching professionals interested in critical learner reflection, including in-service, pre-service, and teacher educators in the field of TESOL. Scholars and researchers in the fields of applied linguistics and language education more broadly will find this volume valuable.

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)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,063

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0050,004
Science ouverte0,0010,004
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0190,006

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 Opus0,041
Tête enseignante GPT0,251
Écart entre enseignants0,210 · 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'étudeSans objet
Domainenon disponible
GenreAutre

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

En bref

Citations8
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSecond Language Learning and TeachingTravaux en français237 207