“Wiinge chi-baapinizi geniin ode: It really makes my heart laugh”: Language, culture, identity, and urban language revitalization
Notice bibliographique
Résumé
In Canada, the majority of Indigenous people live off-reserve in urban centres.Living offreserve is a risk factor for language loss, as indicated by the fact that 44.9 percent of First Nations people on-reserve are able to conduct a conversation in an Aboriginal language, compared to only 13.4 percent of First Nations people off-reserve (Statistics Canada, 2019).For this reason, urban language revitalization is vital, yet it remains understudied and underfunded (Ball & McIvor, 2013;Chao & Waller, 2017;Jewell, 2016).The Kingston Indigenous Languages Nest (KILN) is an example of grassroots urban language revitalization.KILN presents Indigenous families in Kingston, Ontario, with opportunities to access language and culture through weekend family-focused sessions, as well as immersion weekends, evening adult language classes, digital resource development, and community partnerships focused primarily on Anishinaabemowin, Kanien'kéha, and Cree.Using qualitative data collected through talking circles, I explore what effect the weekend sessions have on participants' lives.The results indicate that participation improves language use.However, its impact stretches beyond this; participants describe a deepening of their cultural understanding and connection to community as key parts of the development of their identities as urban Indigenous people.It is clear that culture-based pedagogy is central to both language survivance and cultural and identity growth.It deepens participants' understanding of themselves as urban Indigenous people, allows them to experience their culture as a way of life, creates new understandings of Indigenous identity and community, and validates their community identity as equal to other Indigenous ways of being.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,013 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».