Merging English Home Language and First Additional Language curricula: Implications for future quality assurance practices
Notice bibliographique
Résumé
South Africa has a uniquely differentiated English curriculum in a bid to cater for diverse proficiency levels prevalent among its learner population. While this stride made sense in a population with one of the highest inequalities in the world, it is equally important to reflect on whether the differentiated systems do serve the purpose of equal access in relation to the quality of provision. Surprisingly, very little research has been carried out to validate the merits of this curriculum and assessment differentiation to date. In this paper, I report on Umalusi’s commissioned study on English curriculum benchmarking with three countries: Kenya, Singapore and Canada. This four-country case analysis focuses on curriculum goals and the depth and breadth of English Home Language (EHL) and English First Additional Language (EFAL). The results of the analysis show that the objectives of EFAL and EHL are largely similar and that both compare favourably with these subjects taught in the three other countries under investigation. However, framing the study within theories of language acquisition and language variation, I argue that the EFAL/EHL differentiation at both curriculum and assessment levels is unmerited and serves the opposite intent: deepening inequalities and access to the English language. In the end, useful recommendations for repackaging an assessment of English into one that takes account of its diverse learner population are advanced and further research opportunities are highlighted.
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 | 0,000 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».