MétaCan
Menu
Retour à la cohorte
Enregistrement W4214697295 · doi:10.21083/nrsc.v2021i14.6797

Fundamentals of Language and Language Learning: A Collaborative Initiative for the Implementation of a Common Online Language Training Component in the First-Year Language Curriculum

2021· article· en· W4214697295 sur OpenAlexaffvenueabout
Alena Barysevich, Liz Smeets

Notice bibliographique

RevueNouvelle Revue Synergies Canada · 2021
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueSecond Language Learning and Teaching
Établissements canadiensYork UniversityUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésComputer scienceCurriculumForeign languageComprehension approachLanguage industryLanguage acquisitionLanguage assessmentLanguage educationUniversal Networking LanguageMathematics educationAsynchronous learningPedagogyPsychologyTeaching methodSynchronous learningCooperative learning

Résumé

récupéré en direct d'OpenAlex

The Fundamentals of Language and Language Learning is an online mini course developed at the School of Languages and Literatures (University of Guelph). The four online modules are integrated in the core curriculum of all introductory language courses and are mandatorily completed by an incoming cohort of all first-year language students. This cross-subjects and cross-departmental project addresses the educational challenges students face as they transition from high school to university and offers a more general, rich, yet linguistically supported language learning training. The 10-15 hours of asynchronous autonomous work equip students with a toolbox for effective language learning in a second/foreign language classroom. Students explore how languages are structured, function, change, interconnected with each other and how they could use this knowledge for faster, easier, more effective, and more sustainable language learning. The mini course empowers the second/foreign language learner through activating earlier acquired languages and by applying fundamentals of linguistics into the process of language learning.

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)0,013
score de la tête « metaresearch » (Gemma)0,008
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: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,980
Score d'incertitude au seuil0,071

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0130,008
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0040,002
Communication savante0,0060,003
Science ouverte0,0040,012
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0090,003

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 Opus0,019
Tête enseignante GPT0,267
Écart entre enseignants0,248 · 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
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

Citations1
Publié2021
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueNouvelle Revue Synergies CanadaMême sujetSecond Language Learning and TeachingTravaux en français237 207