Online translanguaging and multiliteracies strategies to support K‐12 multilingual learners: Identity texts, linguistic landscapes, and photovoice
Notice bibliographique
Résumé
The COVID‐19 pandemic has given rise to the burgeoning of online, blended, and hybrid classrooms. The transition to virtual learning has been a challenge for many teachers and learners, but for multilingual learners (MLs) who have to navigate the virtual learning environment in a new language, online learning can be particularly difficult. Translanguaging (García et al., 2017) and multiliteracies (Cope & Kalantzis, 2015) theories call for teachers to support MLs by activating their prior knowledge, connecting to their lives, integrating their home languages and cultures, and engaging them in learning through multiple modalities. This theory‐based practice article discusses three pedagogical strategies based on translanguaging and multiliteracies theories which are designed for multilingual K‐12 classrooms with an online learning component: (1) digital identity texts, (2) linguistic landscapes, and (3) photovoice. The examples presented in the article were developed through the authors' collaborative and reflective engagement with each other, and drawn from their respective work with K‐12 MLs and the preservice teachers preparing to teach MLs in mainstream classrooms in Ontario, Canada. The authors offer suggestions for how the proposed translanguaging and multilingual strategies can challenge monolingual practices, develop critical language awareness, and expand students' diverse language and literacies practices.
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 | 0,004 |
| 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 | 0,005 | 0,004 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».