The Sociolinguistic Impact of Service-learning on Heritage Learners Sojourning in Spain
Notice bibliographique
Résumé
Over the past three decades, a considerable number of studies have investigated the connection between study abroad and second language acquisition to the exclusion of another emerging language profile, that of heritage language learners who study abroad to enhance their home language skills. The few studies on heritage language learners’ development of local features abroad have focused on phonological ones, concluding that more in-depth exposure to the varieties abroad was related to increased production of the local features (Escalante, 2018; George & Hoffman-González, in press). Research on the effects of international service learning have also been limited to second language learners, demonstrating increased second language use and proficiency (Martinsen, Baker, Dewey, Bown, & Johnson, 2010) along with the development of geographically-variable patterns of use (Salgado-Robles, 2018). The current study combines these two fields and investigates the development of a variable local feature (vosotros versus ustedes) by 20 U.S. Spanish-speaking heritage language learners of Mexican descent studying abroad for four months in Spain. The experimental group (N = 10) participated in a service learning course in addition to traditional coursework, while the control group (N = 10) completed traditional coursework and no service learning course. The results of the Oral Discourse Completion Task demonstrated that all participants significantly increased their use of vosotros from the beginning to the end of the semester; however, the change by the experimental group was two times higher than the control group. This could be explained by the results of the Language Contact Profile, which revealed more use of Spanish and less use of English by participants in the experimental group. This study offers implications for future study abroad programs, the linguistic impacts of service-learning, and the development of sociolinguistic competence.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 source (Gemma direct ou Codex distillé), 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 ».