Scaffolding Self-Regulated Learning for English as an Additional Language Literacy Learners
Notice bibliographique
Résumé
Emergent multilingual English as an additional language literacy learners (EALLs) have unique learning needs as they are learning to read and write for the first time in any language while they are also beginning to develop formal learning strategies that support successful school-based learning. Consequently, EALLs require specialized instruction in how to regulate the metacognitive, cognitive, behavioural, motivational, and emotional aspects of learning in formal classroom environments. Theories of self-regulated learning can inform English as an additional language (EAL) literacy programming and guide instructors in the development of EALLs’ formal learning strategies. The effective use of formal self-regulated learning strategies for planning, monitoring, and evaluating learning is essential for successful school-based learning. In this paper, we review three models of self-regulation (Dörnyei, 2005; Oxford, 2017; Zimmerman, 2013) that inform an instructional sequence designed to support EALLs’ self-regulated learning in the classroom. We describe our research-informed instructional sequence and provide examples of how instructors can encourage EALLs’ use of self-regulatory strategies including commitment, metacognitive, satiation, emotional, and environment control strategies, as well as the development of metastrategies that support self-regulated learning. In summary, we demonstrate how research on self-regulated learning can inform instructional practices for EALLs in EAL literacy classes.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,185 | 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 tête enseignante, 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 ».