Technologies in second-language classes
Notice bibliographique
Résumé
Electronic writing competes with the spoken word to such an extent that adolescents are abandoning traditional writing forms, such as letter writing, in the favour of digital forms, such as blogs and wikis ( Penloup & Joannidès, 2014 ). In this digital era, schools are facing two daunting challenges: incorporating technology in second language teaching and learning writing. This chapter reports on a knowledge synthesis funded by the Canadian Social Sciences and Humanities Council. The scope of the original study included the use of technologies in both first- (L1) and second-language (L2) classes; in this chapter, however, only findings related to L2 classes will be presented. This knowledge synthesis pursued three specific objectives: (a) to take the stock of digital forms of writing studied via Canadian and international scientific research between 2005 and 2020, (b) to identify studies on using digital technologies to teach and learn writing, and (c) to synthesize and assess the impacts digital technologies have on written texts and the writing process. The findings of this knowledge synthesis are particularly relevant, because the arrival of new technologies has changed the environment in which digital writing is practised and, although many studies have been carried out regarding the impacts of these new writing practices, there is a void of rigorous knowledge syntheses that allow for the better comprehension of these impacts. We expect that teachers, decision makers, and researchers will benefit from the results of this knowledge synthesis, which maps forms of digital writing, compares research conclusions, and identifies promising research priorities.
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 | 0,004 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,016 | 0,006 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».