The Future Is Now: Preparing a New Generation of CBI Teachers.
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
Content-based instruction (CBI) is not a new term for foreign language teachers. By some accounts, CBI has been employed since the ancient Akkadians adopted Sumerian as the medium of instruction to educate their young in science and religion (Mehisto, Frigols, and Marsh 2008, 9). In the modern era, content-based approaches to language instruction have been employed in various forms since at least the 1960s, when Canadian language educators began teaching academic content in French to English mother-tongue children (Stoller 2008). Yet a large proportion of today’s teachers of English as a Foreign Language (EFL) have never had the opportunity to try out CBI in their own classrooms—and many of these teachers may lack key professional knowledge and skills that are critical to successful CBI teaching. At the same time, CBI approaches are playing an increasingly prominent role in institutional, national, and regional foreign language curricula, as for example in various Content and Language Integrating Learning (CLIL) projects that are being implemented in Europe (Fernandez Fontecha 2009; Lorenzo, Casal, and Moore 2009; Naves 2009; Seikkula-Leino 2007; Serra 2007). The purpose of this article is to consider ways that language-teacher education programs can better prepare future CBI teachers. After providing a brief rationale for why CBI approaches are particularly relevant in the 21st century, I will consider the competencies and skills that the language teachers of tomorrow will need to effectively integrate content and language instruction in their courses.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle