Considerations in Designing and Validating the Diagnostic Inventory for Self-Regulated Language Learning (DISLL): Status of the Process
Notice bibliographique
Résumé
This article describes a new questionnaire, the “Diagnostic Inventory for Self-Regulated Language Learning” (DISLL), for assessing self-regulated learning strategies of students of English as an additional language. We discuss self-regulated learning models, evaluate existing questionnaires for assessing language learners’ self-regulated strategy use, and present a rationale for the DISLL. We explain Zimmerman’s (2000) three-phase model, adapted with simplified phase names: planning, doing, and reflecting. Every DISLL phase starts with a brief scenario to help learners judge how often they employ each strategy in that phase. Already completed are a review of the DISLL 1.0 by 18 international researchers, the step-by-step creation of the DISLL 1.1, and the profiling of vocabulary in the DISLL 1.1 to ensure the simplicity necessary for intermediate-level learners. We present an argument-based validation framework, to be supported by piloting the DISLL 1.2 in Iran, Saudi Arabia, Spain, and Poland and even broader piloting of the DISLL 1.3. Statistical analyses will involve quantitative methods, e.g., exploratory and confirmatory factor analysis, reliability analysis, and confirmatory composite analysis. At least one site will also use qualitative think-aloud protocols. The DISLL will be released into the public domain for free use after version 1.3.
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 | 0,013 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».