MétaCan
Menu
Retour à la cohorte
Enregistrement W4294712958 · doi:10.18806/tesl.v39i1/1368

Building ESL Learners’ Digital Literacy Skills Using Internet Memes

2022· article· en· W4294712958 sur OpenAlexaffvenue
Hanh Nguyen, Wendy L. Chambers, Marilyn L. Abbott

Notice bibliographique

RevueTESL Canada Journal · 2022
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueLiteracy, Media, and Education
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésDigital literacyThe InternetLiteracyVariety (cybernetics)Media literacyTechnological literacyDigital cultureSociologyInformation literacyPedagogyVisual literacyResource (disambiguation)Mathematics educationHumanitiesComputer sciencePsychologyTeaching methodWorld Wide WebMedia studiesArtArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Digital literacy skills are crucial twenty-first-century skills that are required for the successful use of technology and active engagement in today's world. However, there is a lack of effective resources and guidelines for developing English as a second language (ESL) learners’ digital literacy skills. Due to their increasingly important and influential role in contemporary society, Internet memes hold great potential for language teaching and learning, particularly given their infectious nature. Internet memes are digital compositions that convey concepts and ideas via a variety of media types, including image, text, audio, and video. In this article, we describe the characteristics and value of memes as a digital resource and explore the ways in which memes can be used to enhance ESL learners’ digital skills. Pegrum et al.’s digital literacies framework provides the lens to both examine memes and inform the development of a detailed guide that teachers can use when selecting appropriate memes for use in the ESL classroom. We also provide an exemplar task for using memes to build intermediate ESL learners’ language and digital literacy skills based on the guide and include links to some useful websites for meme resources and meme-related activities. 
 Les compétences en littératie numérique constituent des compétences cruciales du 21e siècle qui sont essentielles pour utiliser la technologie avec succès et s’engager activement dans le monde d’aujourd’hui. Cependant, il existe un manque de ressources efficaces et de lignes directrices pour développer les compétences en littératie numérique des apprenants de l’anglais langue seconde (ALS). En raison de leur rôle important et croissant dans la société contemporaine, les mèmes de l’Internet représentent un grand potentiel pour l’apprentissage et l’enseignement des langues, particulièrement à cause de leur nature contagieuse. Les mèmes sont des œuvres numériques qui transmettent des concepts et des idées à travers des types variés de médias, y compris l’image, le texte, l’audio et la vidéo. Dans cet article, nous décrivons les caractéristiques et la valeur des mèmes en tant que ressources numériques et nous explorons leurs utilisations potentielles pour promouvoir les compétences numériques des apprenants. Nous utilisons le cadre des compétences numériques de Pegrum et al pour examiner les mèmes et soutenir l’élaboration d’un guide détaillé sur lequel les enseignants pourraient s’appuyer pour sélectionner les mèmes appropriés pour une classe d’ALS. Nous présentons également une tâche modèle, basée sur le guide, pour l’utilisation des mèmes dans la promotion des compétences langagières et de littératie numérique d’apprenants intermédiaires d’ALS. De plus, nous suggérons des liens de sites web utiles contenant des ressources sur les mèmes et des activités liées aux mèmes.

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 candidatesCommunication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,609
Score d'incertitude au seuil1,000

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 technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0640,000

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 Opus0,017
Tête enseignante GPT0,239
Écart entre enseignants0,222 · 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.

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

Citations7
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueTESL Canada JournalMême sujetLiteracy, Media, and EducationTravaux en français237 207