Digital Competence Training of EFL Primary Pre-Service Teachers: A Systematic Review of the Spanish Context
Notice bibliographique
Résumé
Competence frameworks are becoming a priority in education as reflected in the projects and reports by international institutions and organizations. The focus is on students’ competency acquisition and also on teachers’ competencies that should be considered essential for educators of the 21st century. In this study, digital and linguistic competences are highlighted as particularly relevant for pre-service teachers as many of the competences overlap categories. Over the last seven years, the publications in this field has increased, demonstrating the importance of digital and linguistic competence for EFL Primary pre-service teachers. Consequently, the aim of this systematic review, using the PRISMA model, is to analyze the published research on the simultaneous development of digital and linguistic competences of EFL Primary pre-service teachers to examine the current situation in the Spanish educational context. Although the limited number of studies, the analysis shed light on digital tools and applications that can be useful for digital and linguistic competence development of EFL primary pre-service teachers, contributing to improve their future praxis as teachers. However, some inconveniences are highlighted, such as the unfamiliarity with digital tools. According to the analysis, in order to respond to the 21st century educational demands, EFL pre-service teachers must be digitally and linguistically competent. This supports the need for specific training in competency development by taking advantage of the areas where competences overlap. Therefore, Higher Education Institutions (HEIs) need to develop curricula to provide competency gain and guarantee a wide range of skills to EFL Primary pre-service teachers for their future praxis.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».