Technology-mediated learning environments for young English learners : connections in and out of school
Notice bibliographique
Résumé
@contents: Selected Contets: Preface and Acknowledgments List of Contributors CHAPTER 1: Introduction: Technology-Based Learning Environments for Young English Learners In and Out of School (Leann Parker, University of California, Berkeley) CHAPTER 2: Technology and Literacy Development of Latino Youth (Richard Duran, University of California, Santa Barbara) REFLECTION: Literacy and English Learners: Where Does Technology Fit? (Robert Rueda, University of Southern California) CHAPTER 3: Technology, Literacy, and Young Second Language Learners: Designing Educational Futures (Jim Cummins, University of Toronto) REFLECTION: Rules of Engagement for Achieving Educational Futures (Olga A. Vasquez, University of California, San Diego) CHAPTER 4: Developing New Literacies Among Multilingual Learners in the Elementary Grades (Jill Castek, Donald J. Leu, Jr., Julie Coiro, Mileidis Gort, Laurie A. Henry, and Clarisse O. Lima University of Connecticut) REFLECTION: Integrating Language, Culture, and Technology to Achieve New Literacies for All (Bridget Dalton, Center for Applied Special Technologies, Inc.) CHAPTER 5: Technology and Second Language Learning: Promises and Problems (Yong Zhao and Chun Lai, Michigan State University) REFLECTION: Technology and Second Language Learning: Current Resources, Tools and Techniques (Gary A. Cziko, University of Illinois at Urban-Champaign) CHAPTER 6: Technology in Support of Young English Learners In and Out of School (Leann Parker, University of California, Berkeley) REFLECTION: ELLS and Technology: Transforming Teaching and Learning (Carla Meskill, State University of New York at Albany) CHAPTER 7: Technology Opening Opportunities for ELL Students: Attending to the Linguistic Character of These Students (Eugene E. Garcia, Arizona State University) CHAPTER 8: Conclusion: Reflecting on Technology and Young English Learners (L. Leann Parker, University of California, Berkeley) Author Index Subject Index
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,054 | 0,007 |
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 source (Gemma direct ou Codex distillé), 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 ».