“COVID has Brought Us Closer”: A Proleptic Approach to Understanding ESL Teachers’ Practices in Supporting ELLs In and After the Pandemic
Notice bibliographique
Résumé
This paper uses “prolepsis,” a process of reaching into the past to inform present and future practices, to understand 12 English-as-a-second language (ESL) teachers’ practices of supporting English language learners (ELLs) through remote teaching during the COVID-19 pandemic from 2020-2021 in British Columbia and to envision some different current and future post-pandemic classroom literacies for diverse learners. Accounts of these ESL teachers’ synthetical moments of teaching and supporting ELLs during the pandemic suggest that they had to navigate “new” areas of teaching, including attending to students’ social-emotional learning (SEL), connecting with ELL parents, teaching and engaging students via technology-supported instruction, and co-teaching with mainstream teachers, on the basis of limited or no pre-pandemic experience. These insights suggest a need to widen the focus on ESL teachers’ knowledge and expertise in applied linguistics and instructional strategies to include classroom literacies in integrating SEL into ESL instruction, adopting interactive, student-driven instructional designs and practices afforded by multimodal technologies, maintaining multiple channels of communication with parents and students, and team-teaching with classroom teachers to provide tailored language support for ELLs.
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 | 0,011 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,018 | 0,045 |
| Communication savante | 0,015 | 0,011 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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.
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 ».