How sociolinguistic factors shape children’s subjective impressions of teacher quality
Notice bibliographique
Résumé
When university students are asked to rate their instructors, their evaluations are often influenced by the demographic characteristics of the instructor-such as the instructor's race, gender, or language background. These influences can manifest in unfair systematic biases against particular groups of teachers and hamper movements to promote diversity in higher education. When and how do these biases develop? Here, we begin to address these questions by examining children's sociolinguistic biases against teachers who speak with different accents. To do this, we presented 5-year-old Canadian English-speaking children with pairs of adult talkers. Children were asked to select "who they'd like to be their teacher" then they rated "how good of a teacher" they thought each talker would be on a 5-point scale. In each trial, one talker spoke in the locally dominant variety of Canadian English, and the other spoke in a different accent. Children strongly preferred Canadian-accented teachers over teachers who spoke with non-native (i.e., French or Dutch) accents, but also demonstrated a preference for Canadian teachers over teachers who spoke with non-local regional accents (i.e., Australian or British). In line with the binary choice data, children rated the Canadian talkers more favourably. The relationship between the gender of the teacher and the gender of the child also impacted ratings. This work demonstrates that even at the onset of formal education, children may already exhibit signs of accent-based biases. We discuss these findings in relation to the growing literature on implicit bias in higher education.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».