MétaCan
Menu
Retour à la cohorte
Enregistrement W4292348668 · doi:10.20360/langandlit29451

When Learners Read in Two Languages: Understanding Chinese-English Bilingual Readers Through Miscue Analysis

2022· article· en· W4292348668 sur OpenAlexaffvenueabout
Heather Blair, Jacqueline Filipek, Hongliang Fu

Notice bibliographique

RevueLanguage and Literacy · 2022
Typearticle
Langueen
DomainePsychology
ThématiqueReading and Literacy Development
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésMiscue analysisMandarin ChineseLinguisticsReading (process)Meaning (existential)Construct (python library)PsychologyRemedial educationPerspective (graphical)LiteracyFirst languageComputer scienceMathematics educationReading comprehensionPedagogyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

The number of Chinese-speaking students in Canadian schools is increasing dramatically. This article discusses a study in which we explored reading processes in Chinese and English through examining children’s reading in both languages. Based in a socio-psycholinguistic framework (K. Goodman, Wang, Iventosch, & Y. Goodman,2012; Kabuto, 2017) and through using miscue analysis, we examined how children apply their knowledge of language to Mandarin and English reading. This qualitative research included interviews with four Chinese-English bilingual children between grades 3 and 5 in an urban center as well as the analysis of their reading performance in both languages. From a comparative perspective, we discuss some of the similarities and differences between these two different orthographic language systems by offering syntactic comparisons of the two languages through psycholinguistic language cueing systems. We believe that knowing about how Chinese and English readers construct meaning in both languages will help English as an Additional Language (EAL) teachers, in fact all classroom teachers, to teach reading to bilingual and biliterate children.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,094
Score d'incertitude au seuil0,997

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,353
Écart entre enseignants0,330 · 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 tête enseignante, pas un consensus.

Devis d'étudeQualitatif
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

Citations2
Publié2022
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueLanguage and LiteracyMême sujetReading and Literacy DevelopmentTravaux en français237 207