Special Education Representation Trends Vary by Language Status: Evidence of Underrepresentation in Tennessee
Notice bibliographique
Résumé
Using U.S. state-level data, we report unadjusted and adjusted odds ratio of special education (SPED) trends in Tennessee from 2009 to 2019 for students in Grades 3 to 8 by three language groups: native English speakers (NES), English-proficient bilinguals (EPB), and Current English learners (Current EL). We report trends across all SPED disability categories and across five prevalent disability categories (specific learning disability, specific language impairment, intellectual disability, other health impairments, and autism). The cross-sectional analytic sample included 812,783 students from 28 districts that met the SPED risk ratio threshold set by the state. Results revealed that, compared with NES students, both EPB and Current EL students were generally less likely to receive SPED services, suggesting evidence of language status disparities in SPED representation. Furthermore, findings varied depending on whether adjustments were made to generate odds ratios, especially for higher-incidence disabilities (specific learning disability, specific language impairment, and intellectual disability). Finally, the most severe evidence of underrepresentation was in lower-incidence disabilities (other health impairments and autism). Our results underscore the need for further examination into low rates of SPED identification among learners whose first language is not English (EPB and Current EL). We discuss the contextualized research, practice, and policy implications of our findings.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».