An Action Research Study of Using Group-Based Remote Learning with ESL High School Students in English Language Arts
Notice bibliographique
Résumé
At the time of writing, New York City high schools had been working remotely for a year, with educators facing some great challenges. Working remotely marked a significant difference in the way we teach and the way our students learn. Classroom spaces were no longer room numbers on doors; they were virtual meeting room numbers on platforms like Teams or Google Classroom, and they were accessible from anywhere by Wi-Fi. According to the United Nations Educational, Scientific, and Cultural Organization (UNESCO, 2020), school closures caused by the Covid-19 pandemic affected over 1.5 billion students and families. The Covid-19 pandemic presented multiple challenges for teaching students with English as a second language in an online instructional environment, but also opportunities for collaboration, training, and communication for inclusive educators to strive to meet the needs of their students. This article addresses the following teacher-researcher questions: 1) What opportunities do I find most rewarding teaching in an online environment to students for whom English is a second language? 2) What do I find to be most challenging teaching English second language (ESL) students in the online context? 3) How can media play a part in online teaching and learning, and how do students respond to online learning with these mixed media platforms? 4) What recommendations can be offered to other inclusive educators who are teaching online? The researcher discusses the methodological approach used to conduct the research, using methods including surveys and field notes. Further research conducted was based on the researcher’s journal of field notes kept throughout teaching a unit titled “Beowulf.” An analysis of student assessment data is also provided to show progress, where applicable, for one class of English Second Language students.
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 | 0,015 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».