Core Concepts from Multiliteracies for Language Teachers in Contemporary Times
Notice bibliographique
Résumé
First paragraph: Three nine-year-old boys are sitting on a porch in urban Canada. They are engaged in a multiplayer session of Terraria, a video game that purports to combine the creativity and freedom of a sandbox environment with the strategic requirements of an action game. Each child is holding his own device—an iPod Touch, an iPad, an android tablet. Their eyes are fixed on their own screens, sometimes scanning over to the others’, fingers busily pushing and swiping as they build biomes. During the game, one of the boys opens an Internet browser, types in a term from the game, and the children collectively research how to find an element they want. Through the search results they read blog posts from other players and add their own information to the mix. All the while they are playing, the boys are talking away to each other. If you were to listen in and focus on the discourse, you’d hear all seven of Michael Halliday’s functions of language: instrumental (“I want to build…”), regulatory (“Do this here and…), interactional (“Let’s…”), personal (“Watch me when…”), informative (“When you go here…”), but especially heuristic (“What happens when you…”) and imaginative (“In this world…”). Given such events, literacy research has been grappling with questions like, what is literacy in this new communicational landscape (e.g., is video gaming a literacy practice?) and what are the implications of the response to this question for education?
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,013 | 0,026 |
| Communication savante | 0,012 | 0,007 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».