Sign Language Vocabulary Development Practices and Internet Use Among Educational Interpreters
Notice bibliographique
Résumé
Sign language interpreters working in schools often face isolation in terms of their sign language vocabulary development opportunities. The purposes of this study were to determine the key demographic characteristics of educational interpreters in British Columbia, to identify the resources they use to learn new vocabulary, and to shed light on their Internet use and access levels, with a view to exploring the viability of this resource as a tool for vocabulary development for interpreters working in educational settings. Key demographics associated with interpreters' access to time and materials in advance of a lesson were job title and graduation from an interpreter training program. Interpreters with job titles that reflected their status as interpreters had more preparatory time each week than interpreters who had job titles focused on their roles as educational assistants. Interpreters overwhelmingly expressed the need for continuing professional development with respect to vocabulary development. In terms of the resources currently used, human resources (colleagues, deaf adults) were used significantly more often than nonhuman (books, videotapes, Internet). The resource use results showed that convenience was more important than quality. Books were used more often than videotapes, CD-ROMs, and the Internet, although the latter three had higher percentages of very satisfied users than did books. The design and content of online vocabulary resources and limited interpreter preparation time were identified as current issues keeping the Internet from reaching its potential as an easily accessible visual resource. Recommendations aimed at enhancing the viability of the Internet as a vocabulary development tool for educational interpreters are discussed.
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 | 0,000 |
| 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 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 ».