A Planned Tutoring Experience: Exploring the Affordances on EAL Pre-Service Teachers’ Developing Knowledge Base
Bibliographic record
Abstract
Pour devenir efficaces dans l’enseignement de l’anglais aux locuteurs d’autres langues, les enseignants se doivent d’acquérir une vaste base de connaissances linguistiques et une connaissance approfondie de la didactique des langues. Dans les programmes de cycle supérieur qui qualifient les futurs enseignants d’anglais comme langue seconde ou additionnelle, les professeurs proposent souvent à leurs étudiants des expériences d’enseignement ; ils tendent toutefois à leur proposer ces expériences lorsqu’ils en sont à une phase avancée de leur formation. La présente étude avait ici pour but d’examiner la possibilité d’intégrer à ces programmes de formation, et ce dès le premier semestre, des activités de tutorat structurées visant le développement, chez ces futurs enseignants, des connaissances et des compétences nécessaires à l’enseignement de l’anglais. Au cours des dernières semaines d’un cours de didactique, treize futurs enseignants en formation dans un programme de cycle supérieur ont été individuellement jumelés à un apprenant d’anglais et ont expérimenté l’enseignement dans un environnement sécurisant tout en bénéficiant des conseils de leur professeur. À la suite de l’exercice, suivant une approche vygotskienne, les réflexions des participants et le portfolio de ceux-ci (plans de cours, matériel didactique, rétroaction du professeur) ont fait l’objet d’une analyse qualitative qui a permis de constater de quelle manière ils ont appliqué, façonné et transformé leur compréhension des concepts didactiques étudiés.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".