Role of Technology in Supporting English Language Learners in Today’s Classrooms
Notice bibliographique
Résumé
This qualitative research study examined the role that technology plays in supporting Kindergarten to Grade 8 English Language Learners (ELLs) in the classroom. The purpose of this study was to identify different teachers’ methods and strategies used in the classroom to support ELLs, as well as to identify some technological tools, such as computers, tablets, and Smart Boards that can be used to assist classroom teachers and English as a Second Language (ESL) teachers and their students during the language learning process. The data collected from an in-depth literature review and two interviews with experienced teachers from different grade levels were analyzed. Five themes emerged from the findings and included: 1) A variety of teaching strategies support ELLs during the learning process, including the use of technology such as computers, tablets, and Smart Boards; 2) Some benefits in using technology with ELLs include a positive increase in their independence and language skills; 3) Students and teachers face some challenges when using technology in the classroom, including technical difficulties, student engagement and off-task behaviour, lack of teacher familiarity with the technology, and new technologies not being children/user-friendly; 4) Students, parents, and teachers have a positive perception about the use of technology in the classroom. The discussion explored some strategies teachers can use while teaching ELLs, the pros and cons of using technology in the classroom, as well as the way technology is perceived in the classroom by students, parents, and teachers. This paper is intended for teachers who are interested in using technology with their ELLs.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».