Notice bibliographique
Résumé
Abstract In this article, which constitutes the concluding article of the TASK Special Issue on teacher education, I reflect on the cognitive frictions that many pre-service and in-service teachers experience when they are informed about the basic principles behind task-based language teaching and are invited to work with tasks, or design them. More in particular, I describe cognitive frictions between three types of ‘knowing’ that drive teachers’ decision-making in the classroom: their personal intuitions about language learning and teaching, the theory and research-based insights they gain access to, and the data-driven knowledge that accumulates from gathering empirical data about life in their classroom environment. I will claim that the frictions that are bound to arise between those three types of knowing are inevitable, and may even be considered as inherent to the profession of (language) teaching. What is more, they can be fruitful in terms of fostering teachers’ professional growth, particularly when they get the chance to discuss those frictions with others. The communication about such frictions I will dub ‘communifriction’ in this article. Drawing on the articles included in this special issue, I describe a range of different ways in which communifriction can take shape and can become beneficial for teachers’ own professional development and for the implementation of task-based language teaching.
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 | 0,008 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,030 |
| Communication savante | 0,010 | 0,008 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».