Scientific modeling and translanguaging: A multilingual and multimodal approach to support science learning and engagement
Notice bibliographique
Résumé
Abstract Research suggests that translanguaging can be transformative for teaching and learning by making students' diverse linguistic resources a meaningful part of classroom discourse. Building on this study, researchers have explored how translanguaging practices can support learning in STEM (science, technology, engineering, and mathematics), primarily in the context of bilingual classrooms. However, in the United States, most students learn in English‐dominant classrooms. In response, researchers and educators have begun to explore strategies for inviting and leveraging translanguaging in English‐dominant classrooms, primarily focusing on literacy learning. Less is known about supporting translanguaging in English‐dominant STEM classrooms, particularly with monolingual teachers. In an English‐dominant sixth‐grade STEM classroom engaging in a 9‐week ecology unit, we explored how scientific modeling could not only provide a context for inviting translanguaging, but how it could also provide a setting where modeling and translanguaging could be experienced as analogous meaning‐making practices. Our findings demonstrate that translanguaging has the potential to support new kinds of learning in English‐dominant STEM classrooms, not only about STEM content and practices but also about what counts as legitimate and valuable participation in these spaces.
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 | 0,008 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,002 | 0,017 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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.
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 ».