Learning to read in English as third language
Notice bibliographique
Résumé
The present study compared the influence of bi-literate bilingualism versus mono-literate bilingualism on the development of literary skills in English as L3. Two main predictions were made. First, it was predicted that Russian (L1) literacy would benefit decoding and spelling acquisition in English (L3), that is, bi-literate bilingualism would be superior to mono-literate bilingualism. Second, it was hypothesized that there would be positive transfer of phonological processing skills from L1 Russian to L3 English even in the context of two linguistically and orthographically distinct languages. The sample of 107 11-year-old children from Haifa, Israel, were divided into three groups matched in age, gender, social-economic level, verbal and non-verbal IQ: bi-literate bilinguals, mono-literate bilinguals and mono-literate monolinguals. The research was conducted in two stages. In the first stage a wide range of linguistic, meta-linguistic, cognitive and literacy tasks in Hebrew (L2) and in Russian (L1) were administered. In the second stage linguistic, meta-linguistic and literacy skills in English (L3) were assessed. The results demonstrated that bi-literate bilinguals outperformed mono-literate bilingual and mono-lingual children on a number of basic literacy measures (phoneme deletion and analysis, pseudoword decoding and spelling) in English (L3). Even after controlling for (L2) Hebrew reading accuracy, bi-literacy independently explained 16% of the variance in English reading accuracy among Russian-Hebrew fifth grade bilinguals.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».