Bibliographic record
Abstract
Aparte del estudiante y el instructor, el libro de texto es indispensable porque puede influir en la eficacia de la enseñanza de una lengua extranjera. Hoy en día, hay muchas opciones de manuales y los departamentos tienen que escoger los que satisfacen sus metodologías y sus metas de enseñanza. Por ello, los programas de lenguas se beneficiarán de estudios que les orienten para hacerlo con eficacia. El propósito de este estudio es analizar la representación del enfoque por tareas en los libros de textos utilizados en programas universitarios del español como lengua extranjera según los criterios de una tarea presentados por Ellis (2009) y la teoría de componentes de tareas sugerido por Nunan (1989). Los resultados del análisis cualitativo indicaron que más de una mitad de las tareas en los manuales cumplieron con los requisitos de una tarea. En cuanto a los componentes, textos con diálogos dominaron ligeramente mientras que se notó una preferencia hacía tareas en grupos y las relacionados con la comunicación. Fueron menos representada las vinculadas a la cultura, la resolución de problemas y el audiovisual. El estudio demostró el uso de los criterios y los componentes de una tarea para evaluar la representación de actividades basadas en el enfoque por tareas en libros de textos.
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 | 0.005 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.035 | 0.006 |
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".