Improving South African student teachers’ English language skills: an argument for the assessment strategies of the PrimTEd language teaching project
Notice bibliographique
Résumé
South Africa is a linguistically diverse and educationally complex country. Most student teachers in Bachelor of Education programmes who are preparing to teach in primary schools do not speak English as a mother tongue. The medium of instruction for B.Ed programmes is English. Foundation Phase teachers will be expected to teach learners English (as a) First Additional language (EFAL). Intermediate Phase teachers will be expected to use English across the curriculum as English is the Language of Learning and Teaching (LoLT) from grade 4 upwards. As such, it is important that newly qualified teachers entering primary schools can engage with English texts, have a competent understanding of English and communicate fluently in English. As one way of making a positive intervention in future teacher competency, this paper argues for the use of language and literacies assessment in Initial Teacher Education (ITE)at universities. The Primary Teacher Education project (PrimTEd) has developed a set of Language and Literacy standards for teachers, as well as assessments for primary school student teachers’ knowledge of English. These assessments are designed to occur at two points: entry level (first year) and exit level (fourth year) of the Bachelor of Education (B.Ed) degree. Methodologically this paper considers the complex background conditions in language education which led to the PrimTEd project’s work and then sets out how the PrimTEd project’s assessment strategy may offer a hopeful intervention in these circumstances.
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 | 0,003 | 0,000 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».