Notice bibliographique
Résumé
Integrasjon og inkludering av språklige og etniske minoriteter i skole og samfunn er overordnede målsettinger for norsk utdanningspolitikk. Individuelt tilpasset undervisning og særskilt tilrettelagt opplæring for elever med spesielle behov skal bidra til å realisere målsettingene. Forskning har imidlertid vist at minoritetselever er overrepresentert innenfor segregert spesialundervisning i Oslo (Nordahl & Overland 1998). Vi står med dette overfor et paradoks. Det forekommer et sammenfall av pedagogisk og etnisk segregering i skolen som er i skarp motsetning til utdanningspolitiske og pedagogiske målsettinger. Overrepresentasjon av minoritetselever i spesialundervisning, spesialklasser og spesialskoler er et utbredt fenomen i Vesten. Dette er godt dokumentert både i europeiske land, i USA og i Canada i løpet av de siste 20 årene (Mercer 1973, Skutnabb-Kangas 1981, Cummins 1984, Troyna & Carrington 1990, Skrtic 1995, Ainscow & Haile-Giorgis 1999). På 1990 tallet er det dokumentert overrepresentasjon av afroamerikanske elever og barn fra fattige familier i spesialklasser for barn med følelsesmessige forstyrrelser, atferdsforstyrrelser og psykisk utviklingshemming (Foster 1990, Valdes m.fl. 1990, Education 1998). Både i Norge og i andre vestlige land dokumenterer empirisk forskning at barn fra språklige og etniske minoriteter diagnostiseres med funksjonshemminger og lærevansker i skolen i et større omfang enn deres andel av elevpopulasjonen skulle tilsi. På denne bakgrunn har jeg undersøkt hvordan den etniske relasjonen mellom en norsk sakkyndig instans og minoritetselever virker inn på kategoriseringen av lærevansker blant minoritetselever. Kan selve den sakkyndige utredningsprosessen være en medvirkende årsak til overrepresentasjonen av minoritetselever innenfor spesialundervisning?
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,012 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».