Exploring opportunities for language immersion in the posthuman spectrum: lessons learned from digital agents
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose Technologically-enhanced language education has shifted from computer-assisted language learning (CALL) to mobile-assisted language learning (MALL), including the use of conversational digital agents, and more recently, towards the use of generative artificial intelligence (AI) large language model (LLM) programmes for language learning purposes. This paper aims to explore the interplay between such posthuman communication and posthumanist applied linguistics, and between digital agents and human agency in response to the increasing permeation of AI in life and learning. Design/methodology/approach A core team of four researchers investigated how digital agents could be leveraged to support immersive target language learning and practice, focusing specifically on the conversational AI that pervaded digitally-mediated communication prior to the release of generative AI. Each researcher engaged in a digital autoethnography using conversational agents found in the digital wilds to learn a target second language via digital immersion. Findings Through qualitative data analysis of autoethnographic narratives using NVIVO, four key thematic codes characterizing the learning journeys emerged: context, language learning, posthuman engagement and technological parameters. The posthuman learning experiences conflicted with the multisensory, embodied and embedded ethos of posthumanist applied linguistics, indicating that informed human pedagogical agency must crucially be exercised to benefit from the learning potential of posthuman agents. Interactions with conversational agents did provide small-scale, just-in-time learning opportunities, but these fell short of immersive learning. Originality/value The methodology and findings offer a unique and valuable lens on the language learning potential of emerging LLM-based generative agents that are rapidly infusing conversational practices.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle