MétaCan
Menu
Retour à la cohorte
Enregistrement W2613779186

Supporting Students with Exceptionalities in French Immersion Programs in Ontario

2017· article· en· W2613779186 sur OpenAlexaboutno aff
Megan Nicole Blanchette

Notice bibliographique

RevueTSpace (University of Toronto) · 2017
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueSecond Language Learning and Teaching
Établissements canadiensnon disponible
Organismes subventionnairesOffice of International Science and Engineering
Mots-clésPsychologyComputer science
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

French Immersion (FI) education continues to be a popular choice for parents across Canada. However, recently FI programs have come under criticism for not being inclusive to students with exceptionalities. While there has been research around the suitability of FI for students and the factors that attribute to students leaving the program, this qualitative research study serves to investigate the perceptions of teachers who are modifying and accommodating for students with exceptionalities in FI classrooms. The methodology of this study was to conduct semi-structured interviews with two Ontario certified teachers who have worked in FI classrooms for at least five years and have experience supporting students with exceptionalities in the FI context. Through the transcription and coding of the interviews, four themes became apparent and led to important implications for FI programs. First, the participants revealed that despite an increase of students who are considered exceptional and that require additional support in FI programs, there continues to be a trend of students with exceptionalities leaving the program. Next, participants aligned with current research around student suitability in FI, stating that students with exceptionalities are no greater risk for success in learning French. Finally, the participants identified current strategies and resources for students with exceptionalities in FI as well as how lack of availability and access creates a barrier for the design and implementation of an equitable program.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,142
Score d'incertitude au seuil0,344

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0150,004
Communication savante0,0030,001
Science ouverte0,0020,005
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,040
Tête enseignante GPT0,265
Écart entre enseignants0,225 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTSpace (University of Toronto)Même sujetSecond Language Learning and TeachingTravaux en français237 207