Translanguaging for critical multilingual language awareness: preparing teacher candidates to support multilingual learners in classrooms
Notice bibliographique
Résumé
This study brings together translanguaging and critical multilingual language awareness (CMLA) (García, 2015, 2017) to examine how teacher candidates (TCs) prepare to support multilingual learners in elementary classrooms. Data was drawn from four TCs in a teacher education course on supporting multilingual learners in Ontario, Canada. Research questions guiding this study were: (1) What are TCs’ stances toward translanguaging, and what factors shape their developing translanguaging stance? (2) How do TCs plan for translanguaging in their lessons? (3) What are the challenges/limitations to TCs’ planning for translanguaging? Data sources, which included TCs’ unit and lesson plans, course assignments, reflections, and interviews were analyzed deductively to identify themes related to their translanguaging stance, and how they planned for translanguaging in their coursework. The findings demonstrate that TCs’ language learning experiences, challenges and identities were factors that shaped their developing translanguaging stance. TCs incorporated many translanguaging strategies and resources to support learners’ socioemotional wellbeing and language learning, but saw translanguaging as a temporary scaffold rather than a way to de-center the hegemony of English in curriculum and assessment. The findings provide implications for how teacher educators can foster TCs’ critical engagement with translanguaging to disrupt linguistic hierarchies and democratize the classroom.
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 | 0,009 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».