Notice bibliographique
Résumé
This book deals with the effects of three different learning contexts mainly on adult, but also on adolescent, learners’ language acquisition. The three contexts brought together in the monograph include i) a conventional instructed second language acquisition (ISLA) environment, in which learners receive formal instruction in English as a Foreign Language (EFL); ii) a Study Abroad (SA) context, which learners experience during mobility programmes, when the target language is no longer a foreign but a second language learnt in a naturalistic context; iii) the immersion classroom, also known as an integrated content and language (ICL) setting, in which learners are taught content subjects through the medium of the target language—more often than not English, used as the Lingua Franca (ELF). The volume examines how these contexts change language learners’ linguistic performance, and also non-linguistic, that is, it throws light on how motivation, sense of identity, interculturality, international ethos, and affective factors develop. To our knowledge, no publication exists which places the three contexts on focus in this monograph along a continuum, as suggested in Pérez-Vidal (2011, 2014), with SA as ‘the most naturalistic’ context on one extreme, ISLA on the other, and ICL somewhere in between, while framing them all as international classrooms. Concerning target languages, the nine chapters included in the volume analyze English, and one chapter deals with Spanish, as the target language. As for target countries in SA programmes, data include England, Ireland, France, Germany, and Spain in Europe, but also Canada, China, and Australia. While the main bulk of the chapters deal with tertiary level language learners, a language learning population which has received less attention by research thus far, one chapter deals with adolescent learners. Carmen Pérez-Vidal, Sonia López, Jennifer Ament and Dakota Thomas-Wilhelm all served on the organizing committee for the EUROSLA workshop held at the Universitat Pompeu Fabra, Barcelona, in May 2016. It is from this workshop that this monograph was inspired
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 | 0,002 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,070 | 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 ».