Creating Inclusive EAL Classrooms: How Language Instruction for Newcomers to Canada (LINC) Instructors Understand and Mitigate Barriers for Students Who Have Experienced Trauma
Notice bibliographique
Résumé
This article draws on my dissertation, “Creating Inclusive EAL Classrooms: How LINC Instructors Understand and Mitigate Barriers for Students Who Have Experienced Trauma.” The article explores some assumptions and understandings that English as an Additional Language (EAL) teachers bring to teaching students believed to have experienced trauma, and illustrates the dilemmas they face in supporting such students in a government-funded and designed EAL program for newcomers. Using the concept of Iris Marion Young’s “Five Faces of Oppression” (1990), the data and ndings of the research for my dissertation are explored, contributing to the discussion on trauma and learning in EAL programs and specifically in relation to adult immigrants and refugees. Cet article puise dans ma thèse « Creating Inclusive EAL Classrooms: How LINC Instructors Understand and Mitigate Barriers for Students Who Have Experienced Trauma ». L’article explore quelques hypothèses et interprétations que véhiculent les enseignants d’anglais comme langue additionnelle (ALA) à l’égard d’élèves qui ont subi des traumatismes d’une part, et il illustre les dilemmes auxquels font face les enseignants en appuyant ces élèves dans le cadre d’un programme d’ALA pour nouveaux arrivants et qui est nancé et conçu par le gouvernement d’autre part. M’appuyant sur le concept des cinq visages de l’oppression de Iris Marion Young (« Five Faces of Oppression », 1990), je me penche sur les données et les résultats de ma thèse, contribuant ainsi à la discussion sur le traumatisme et l’apprentissage dans les programmes d’ALA, notamment en ce qui concerne les immigrants et les réfugiés adultes.
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 | 0,000 | 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 | 0,005 | 0,000 |
| Communication savante | 0,001 | 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 ».