K-12 content teachers designing language tasks: A follow-up to Erlam, 2016
Notice bibliographique
Résumé
This study, a follow-up to the research reported by Erlam, investigated K-12 content teachers’ ability to design tasks for content instruction in U.S. schools. Thirty-nine K-12 teachers who were enrolled in an English as a second language (ESL) teaching methods course participated in the study and each designed two language learning tasks. Two researchers rated the tasks following Ellis and Shintani’s four task criteria, as in Erlam. The study addressed the questions: (1) How successful are content teachers in designing tasks that satisfy Ellis and Shintani’s criteria? (2) Which of the criteria do teachers find easiest and most difficult to satisfy? and (3) Do the teachers improve in meeting the criteria in a second round of task designs? Ninety-two percent and 95% of the tasks satisfied three of the four criteria in task designs 1 and 2, respectively. The teachers excelled most at creating contexts for meaningful communication (92%) and including an information gap (92%) in their first tasks. Incorporating a clearly defined outcome was the most difficult criterion (66%) for teachers to achieve. There was no significant improvement from Task 1 to Task 2 in successfully incorporating the four criteria. The content teachers incorporated more of the task features than the foreign language teachers in Erlam. Over 90% met the majority of the criteria, compared to 82% in Erlam’s study. Another important difference was that participants in Erlam’s study found the easiest criteria to address was including an outcome, and they struggled most to allow learners to use their own linguistic resources and incorporate a gap. The content teachers in the follow-up study struggled most to include an outcome, but consistently incorporated communication gaps and grew in their ability to ensure that learners use their own linguistic resources. This suggests that language teachers may focus more readily on language forms, while content teachers focus more on meaningful content than on language, providing support for learners to focus on meaning.
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 | 0,013 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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.
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 ».