Needed: A Compass To Navigate the Multilingual English Classroom.
Notice bibliographique
Résumé
Twenty-five North America was familiar terrain to students and teachers alike. Predominately first-language students were enrolled in contentbased courses. Students expected to read books, think critically, write essays, and take exams. They expected their teachers to guide them through the challenges of Shakespeare, Anglo-American literature, and the complexities of the research essay. Teachers crafted curricula and lesson plans to achieve these goals. At the turn of the millennium, the high school English classroom in many metropolitan schools from San Francisco to Montreal is a very different place. A striking change is the dramatic increase in students from other cultures who speak languages as diverse as Chinese and Urdu, or Russian and Spanish, and whose last homes might have been in cosmopolitan Hong Kong or in a refugee camp. Minority groups who had been known as part of the metaphors of melting pots and vertical mosaics in sociology textbooks now walked into English classes as visible, audible realities. The case of Toronto gives some idea of the dramatic changes in urban populations over the last 25 years. Until 1961, 9 out of 10 immigrants came from Britain and Europe under a highly selective immigration policy that favored skilled, healthy immigrants. Nonwhites, now referred to as visible minorities, made up 3% of Toronto's population at that time (Siemiatychi, 1998). Changes in immigration policy, new trade alliances, and wars in Africa, Vietnam, and India ©2001 International Reading Association (pp. 440-449)
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».