Notice bibliographique
Résumé
Abstract Two conceptual models of Task Complexity, Cognition Hypothesis ( Robinson, 2001 , 2007 ) and Limited Attentional Capacity ( Skehan, 1998 , 2003 , 2018 ) have been proposed and widely debated in the task-based language teaching (TBLT) literature. However, little empirical evidence exists to suggest either of the models is based on teacher input or being used by teachers for classroom use. Drawing on pre-service teacher analysis of task difficulty, the study aimed to develop an in-depth understanding of task features they consider when evaluating task difficulty. Participants, 127 pre-service teachers at the end of their one-year MA TESOL program in Ontario, Canada, evaluated two sets of sample tasks, ranking them according to their degree of difficulty and identifying the features that contributed to this difficulty. 727 pieces of raw data, extracted from the task difficulty analysis, were categorized. Five main categories of task difficulty were identified, namely (1) linguistic demand, (2) cognitive operational demand, (3) design features, (4) informational demand, and (5) communicative demand. Learner related factors, external to task design, were also suggested as issues related to difficulty. We propose a set of task difficulty features that can be used in replication and validation studies to help with the development of a teacher evidence-based model of task difficulty.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».