Examining teachers’ evaluations of task characteristics
Notice bibliographique
Résumé
Abstract Though teachers have been shown to be widely influential in effective task-based initiatives (e.g., Van den Branden, 2016 ), research on teachers and task-based language teaching (TBLT) has primarily explored how teachers develop or adapt tasks for use in their own contexts during professional development workshops or pre-service teacher programs (e.g., Erlam, 2016 ; Gurzynski-Weiss et al., 2024 ). In comparison, how teachers perceive the strengths and limitations of task characteristics has been less commonly examined. To address this gap, this multi-site study utilizes a mixed-methods design to examine teacher insights about the defining qualities of language learning activities. Two cohorts of pre- and in-service language educators ( N = 40) teaching five different target languages were recruited from task-based teacher education programs in the United States and Japan. After learning about key characteristics of tasks ( Ellis & Shintani, 2013 ; Long, 1985 ; Skehan, 1996 ; Willis & Willis, 1996 ), teachers evaluated the quality of a series of sample language learning activities. Teachers then participated in a post-evaluation interview about their ratings. Results reveal how teachers differentiate the characteristics and quality of tasks and highlight the factors influencing their ratings. The study contributes to ongoing efforts to bridge the divide between research and practice within TBLT initiatives, providing insights into teachers’ decision making. Implications for task-based teacher education, such as how constructs like the definition of ‘task’ could be better articulated when working with teachers, are also discussed.
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 | 0,005 | 0,003 |
| 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 | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».