Dynamic Assessment of Early French Immersion Literacy Learning Competencies
Notice bibliographique
Résumé
French Immersion programming in Canada is not always an inclusive environment for all learners. Students with language disabilities or delays are often placed into English-only programming when difficulties arise in French immersion programming. This study aimed to establish a method of identification of reading difficulties, in either language, early in the reading process. Such an assessment would allow educators to intervene and assist these students, and all students, with reading and vocabulary development in their second language of French before these language issues can negatively affect learning.\nEssential to language learning in immersion programs is the development of speech perception and lexical specificity, defined as the knowledge of how words should sound in a language. Dynamic assessments in both French and English were used as they focus on how well a student can learn a concept. This project examined second language (L2) French learning in a dynamic way to predict literacy learning in children who are not yet proficient readers in English, their first language (L1). The particular skills of phonological awareness and vocabulary development in both L1 and L2 were examined.\nA one-year longitudinal study was conducted to investigate the language abilities of children in French immersion in grade 2. In L1, dynamic assessments were better predictors of vocabulary than static assessments. In L2, static assessments were better predictors of vocabulary than dynamic assessments. In L1, lexical specificity, word reading, phonological awareness (elision), and rapid naming predicted word reading. In L2, phonological awareness (elision) in both French and English, and French word reading predicted word reading.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».