A Corpus-based Study: A Comparison between China and Abroad in Current Hot Topics of English Language Teaching within Abstracts of TESOL Conventions
Notice bibliographique
Résumé
The purpose of this study was to explore the current hot topics of English language teaching (ELT) between China and abroad using a corpus-based approach, with the research data taken from key words of 2775 abstracts within the 2021-2022 program books of International TESOL conferences and TESOL China assembly as four corpora, two of China and abroad in 2021 as well as two in 2022. It attempted to give significant proposals for future ELT research in China. A mixed methodology of (Quantitative +qualitative) was employed, one of which was AntConc software, for quantitative analysis on the data of high-frequency key words coded from each corpus. A qualitative analysis was subsequently conducted to analyze the potential reasons of major differences lie in Chinese and foreign hot topics of ELT. The study found major differences in terms of four aspects of hot topics of ELT between China and abroad: 1). Chinese academics mostly employed presentation as the primary teaching method, whereas foreign countries used a different variety of teaching methods, including online teaching tools, amount of teaching activities; 2). China stressed students’ summary writing and public speaking skills when it came to the aspect of student cultivation. On the other hand, foreign nations helped students improve their academic and reflective writing skills; 3). In China, test and peer assessment were the crucial methods of teaching evaluation, while formative assessment was used as the pivotal role in foreign countries; 4). China focused on the construction of teachers' professional identities and strategy training in teacher development. Yet, foreign countries concentrated on teachers' professional development. Pedagogical implications are that future ELT research in China needs to draw on overseas experience for drilling in four aspects: teaching methods, student cultivation, teaching evaluation and teacher development.
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,007 | 0,012 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».