A qualitative and quantitative preliminary analysis of a task design web-based tool and its applications for teachereducation
Notice bibliographique
Résumé
Abstract Task-based language teaching (TBLT) has been consolidated as a research-based teaching perspective over the last four decades. At its core, task and materials design have been identified as key to successful task-based implementation (Bryfonski, forthcoming). Yet teachers are often left to their own resources when it comes to actual design. The taskGen project has brought together knowledge from second language acquisition, Natural Language Processing (NLP), interaction design, design thinking, and computer engineering to provide a solution to the problem. The goal of this article is threefold: firstly, a brief historical overview contextualizes the issue of task design in TBLT from complementary cognitive and teacher education perspectives; secondly, a web-based tool is presented that assists and trains teachers to design, organize, automate and share tasks. TaskGen assists the design of task structure through pre-tasks, tasks, and post-tasks, while focus on form is achieved through NLP tools. Tasks can be cloned to create simple or more complex versions, and they can also be shared and cloned by other teachers/designers. Thirdly, results from a qualitative study and a quantitative one are analyzed and presented. The former taps into teachers’ perceptions of task design by showing the kind of mental processes involved in decision-making during task design. The latter draws on big data on tool use by teachers, and it measures the impact of training with the tool on teachers’ choices during task design. Overall results of the two studies illustrate the cyclical nature of task design, the central role of focus on form, and the need for task design to be integrated in teacher education in order to achieve its full potential.
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 | 0,002 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».