CLIL and immersion: how clear-cut are they?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
It was with high expectations that we read Lasagabaster and Sierra’s (2010) contribution to this Journal, in which they set out to differentiate between CLIL and immersion. While we agree with the need to resolve the confusion surrounding these two approaches, we were disappointed with the manner in which an intended ‘clear-cut’ distinction was attempted. Working from the Spanish context, yet claiming universal applicability, Lasagabaster and Sierra (hereafter L&S) found more differences than similarities between CLIL and immersion. It not only pains us to see that a qualitative distinction is reduced to the mere quantification of differences, but after critically examining L&S’s argumentation, we have found it to be neither clear nor universally tenable. Without substantiation, Lasagabaster and Sierra (ibid.: 370) list five principles they claim CLIL and immersion share: ... We were much surprised at Similarity 2. It no longer fits the changing demographics in Spain, Canada, or elsewhere (Lyster and Ballinger 2011: 281): Basque-medium schools in the Basque Autonomous Community have both Spanish and Basque NS students; Catalan immersion programmes in Catalonia can have as many as 30 per cent native Catalan-speaking students; even in Quebec, classrooms are increasingly made up of French NS, English NS, and French-English bilingual students; this equally goes for Welsh- and Irish-medium education in Wales and Ireland, respectively. Also, to tip the numerical balance, we can think of a few more similarities: overt support for the students’ L1, the aim for additive bilingualism, integration of language and content, etc.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 découle