MétaCan
Menu
Retour à la cohorte
Enregistrement W4292348607 · doi:10.20360/langandlit29528

Investigating Writing Instruction Practices for Students With Deafness and Hearing Loss

2022· article· en· W4292348607 sur OpenAlexvenueno aff
Michael Dunn, Amira Albagshi, Faisal Aldawsari

Notice bibliographique

RevueLanguage and Literacy · 2022
Typearticle
Langueen
DomainePsychology
ThématiqueHearing Impairment and Communication
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHearing lossPsychologyStrengths and weaknessesMathematics educationIndependence (probability theory)LiteracyClass (philosophy)PedagogyComputer scienceMedicineAudiology

Résumé

récupéré en direct d'OpenAlex

This case study investigated the writing instruction practices of teachers (grades 6 and 7) of students with deafness and hearing loss. The researchers focused on what classroom practices and strategies teachers employed with students, what teachers’ perspectives were about best-practices for writing instruction, students’ perspectives about writing, and scores from their end-of-unit writing samples. The authors completed qualitative interviews and classroom observations with teachers (N=2) and students (N=6; three per class observed) about writing instruction for students with deafness and hearing loss. The data resulted in four themes: the need for teacher modeling, guided practice, and developing students’ independence; students’ challenges with writing (e.g., from ASL to English prose); the need for more resources (e.g., professional development about writing); and how assessment helps define students’ strengths and weaknesses.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,168
Score d'incertitude au seuil0,276

Scores Codex et Gemma par catégorie

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

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 Opus0,035
Tête enseignante GPT0,399
Écart entre enseignants0,364 · 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 tête enseignante, 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

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLanguage and LiteracyMême sujetHearing Impairment and CommunicationTravaux en français237 207