Instructional Language Dichotomy on Foundation Phase Learning: A Case of University Student Teachers
Notice bibliographique
Résumé
For proficiency in language learning, the prescribed medium of instruction for Foundation Phase (FP) learning becomes a prerequisite, as demarcated by South African policy on language learning. Nevertheless, student teachers while embarking on Teaching Practise (TP) find comfort at infusing the English medium when interacting with learners. In contradiction, English language learning is compromised as most subjects underpinning the FP curriculum are offered in home languages. This paradox of mixed opinions on policy, student teacher perspective hence their medium of learning is English language for all courses offered at university level, together with the situation where students are expected to consider FP curriculum offering, really causes some inconsistency, leading to compromised English language proficiency as both student teachers and learners infuse IsiXhosa to a greater extent during the entire process. This paper therefore seeks to investigate whether home language teaching has any substantial influence towards enhancing English language as one of the subjects underpinning FP curriculum. A qualitative approach embedded in a case study design was administered on two purposefully identified university teachers as pioneers expected to conduct assessment during practise teaching. To collect data, semi structured interviews were conducted to understand better the underlying factors caused by instructional language contradiction in-between student teachers and learners. It emerged as major findings that (i) conflicting media of instruction (in university and in schools), (ii) home language dominance, and (iii) policy imperatives were challenging causes on the declining English proficiency in learners. This paper concludes and recommends that for sustained English language development, policies underpinning teaching and learning need to be re-defined as all subjects offered rely on efficient attainment of the language component, thereby leading to improved learner throughput rate.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,010 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,004 |
| 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 ».