MétaCan
Menu
Retour à la cohorte
Enregistrement W3045708361 · doi:10.1017/s0261444820000269

Race and language teaching

2020· article· en· W3045708361 sur OpenAlexaff
Kerry Soo Von Esch, Suhanthie Motha, Ryūko Kubota

Notice bibliographique

RevueLanguage Teaching · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueMultilingual Education and Policy
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésRacializationSociologyRacismScholarshipCognitive reframingLanguage educationRace (biology)Gender studiesIdentity (music)Sociology of languageHegemonyPedagogyComprehension approachPsychologyPolitical sciencePoliticsSocial psychologyLaw

Résumé

récupéré en direct d'OpenAlex

Abstract In this review article on race and language teaching, we highlight an urgent need for the international educational community to continue to develop a complex understanding of how language teaching and learners’ lives are shaped by our global history of racist practices of colonial expansion, including settler colonialism and transatlantic slavery. We outline the genesis of research on race and language teaching and review literature that reflects a recent increase in scope and range of studies that problematize the workings of race and racism in language teaching and point to hopeful solutions for addressing effects of racial inequities. We conceptualize two key terms, ‘race’ and ‘language,’ then overview theories that appeared most significant in the research literature. We explore five interconnected themes that featured prominently throughout the existing literature on race and language teaching: standard language ideology and racial hegemony, the idealized and racialized native speaker, racial hierarchies of languages and language speakers, racialization and teacher identity, and race-centered approaches to pedagogies and educational practices. We offer a critical analysis of the current status of scholarship on race and language teaching, including gaps and necessary reframing, and conclude with implications for future directions and questions arising from the work.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,003
Communication savante0,0030,003
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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 Opus0,041
Tête enseignante GPT0,443
Écart entre enseignants0,402 · 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'étudeSans objet
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

Citations174
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLanguage TeachingMême sujetMultilingual Education and PolicyTravaux en français237 207