Monolingualism, neoliberalism and language-as-problem: discourse itineraries in Canadian university language policy
Notice bibliographique
Résumé
Internationalization policies to promote international student enrolment at many Canadian universities have led to increased levels of linguistic diversity in the student body. However, institutional language policy responses to this diversity may be lacking, may centre a monolingual mindset or may discursively position the issue of the English language proficiency and development of students from non-English-speaking backgrounds in a framing of deficit. This study maps changing and conflicting “discourse itineraries” (Scollon, 2008:234), the taken-for-granted ideas, constraints and allowances at play discursively in institutional language policy. This was done via a multiple case study of three Canadian universities, where critical discourse analysis (CDA) was carried out on a variety of policy documents related to language, academic literacy and internationalization at the provincial (macro) and institutional and faculty (meso) levels and stakeholders at these institutions were interviewed. This analysis revealed, first, that much language policy at these three institutions is covert, implicit and de facto. Two prominent discourses were also found: Language-as-Problem (Ruiz, 1984) and Neoliberalism and Language, each with pervasive sub-discourses—notably the Monolingual Mindset—that shape the creation of language policy at these universities. Discursive change is underway, however, as conflicting discourses were found at all institutions. In certain cases, there is a shift away from Language-as-Problem, influenced by a neoliberal focus on the English language as economic instrument. Building on Ruiz’s (1984) orientations toward language planning, this thesis proposes a new policy analytic heuristic to further describe the extent to which institutions ignore, blame, support or embrace language at different policy levels. As well, suggestions are made for Canadian higher education (HE) language stakeholders about how to realign discourses and bring about social change via critical language awareness-raising and policy-making. The ultimate goal is to provide a more equitable academic experience within Canadian HE for students from non-English-speaking backgrounds.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».