MétaCan
Menu
Retour à la cohorte
Enregistrement W4312398686 · doi:10.1080/1554480x.2022.2139260

Reconceptualizing semiotic resources in the eco-social system of an online language tutoring course

2022· article· en· W4312398686 sur OpenAlexaff
Qinghua Chen, Angel M. Y. Lin

Notice bibliographique

RevuePedagogies An International Journal · 2022
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueSecond Language Learning and Teaching
Établissements canadiensSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésSemioticsMeaning (existential)Computer scienceSocial semioticsMeaning-makingProcess (computing)Social mediaLanguage acquisitionMultimodalityMultimediaLinguisticsHuman–computer interactionPsychologyWorld Wide WebMathematics education

Résumé

récupéré en direct d'OpenAlex

Translanguaging and trans-semiotizing research has problematized the static view of language and argued that meaning making is a dynamic, material, social, and historical process across multiple timescales in complex eco-social systems. The second author proposed the concept of trans-semiotizing as an alternative lens to study language teaching and learning. In this autoethnographic study, the dynamic processes of online language learning and teaching are examined by analysing the semiotic resources, trans-semiotic practices, and the coordination of different semiotic resources. To capture such dynamic processes and the semiotic resources involved, the first author setup multiple cameras and used screen recording to document my teaching. Data include recordings of my computer screens, video recordings of my physical environment, facial expressions, body movements, screen shots of my social media posts, and my teaching notes. We draw on Lemke’s dynamic eco-social system concept to discuss how semiotic resources are used in online language teaching and learning across different timescales.

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)0,004
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0060,027
Communication savante0,0100,008
Science ouverte0,0010,010
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,084
Tête enseignante GPT0,343
Écart entre enseignants0,259 · 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'étudeQualitatif
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

Citations3
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePedagogies An International JournalMême sujetSecond Language Learning and TeachingTravaux en français237 207