Speaking Foreign Languages in the United States: Correlates, Trends, and Possible Consequences
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
With President George W. Bush's unprecedented call in January 2006 to expand the foreign language capacity of the United States, it has become clear that languages other than English (LOE) are of great interest to public policy in the United States. Yet the language capacity of the United States remains poorly documented. The 2000 General Social Survey (GSS) included new questions concerning the languages spoken by 1,398 respondents. Although about one quarter (26%) of respondents to this GSS sample claimed they could speak another language, only 10% overall said they could speak it very well . Those respondents who speak a foreign language were typically aged 25–44, graduate school educated, self‐identified as being of a race other than White , and living in large metropolitan cities and on the coasts. Spanish (50%), French (15%), and German (9%) were the most common languages spoken by the survey respondents. Whereas 67% of respondents who learned the language at home as a child said they could speak it very well , only 10% of those who learned it in school or elsewhere did speak it very well . As expected, LOE speakers gave significantly more responses revealing support of LOE and policies favorable to immigration, with LOE‐home speakers being more positive about these issues than LOE speakers who learned the language at school. These findings can help to inform national policy debates concerning how best to address the language needs of the United States.
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 | 0,001 | 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 | 0,000 | 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) | 0,000 | 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 découle