“Would you take a pay cut? We're looking for Caucasians”. How whiteness can affect White, Black and Muslim female ‘native-speaker’ English language teachers
Notice bibliographique
Résumé
This article sets out investigate the interrelationships between native speakerism, Whiteness, ethnicity and appearance in the TESOL context. It explores whether Whiteness plays a part in TESOL teachers' recruitment and job opportunities when employers are seeking to employ 'native speakers'. It draws its data from focus group interview data with seven female TESOL teachers. Two were White, three were Black and two were White Muslims who wear the hijab. The findings show that when English language teaching job advertisements call for 'native speaker' teachers, recruiters are-consciously or unconsciously-looking for White teachers from ex-colonising countries such as the USA, the UK, Canada, Australia and New Zealand whom they perceive as representing Whiteness. In this sense, Whiteness is inextricably linked to the concepts of the 'native speaker' and 'native speakerism' in English language teaching. The study concludes that native speakerism acts a veiled façade for Whiteness and consequently that White TESOL native speaker teachers are privileged over their Black and Muslim counterparts in a number of areas. These include: pay, objectification, acknowledgement of their professional achievements and visibility in advertising materials aimed at prospective students and their parents. The paper concludes with a call to confront such often-unacknowledged bias in favour of Whiteness by establishing open conversations with recruiters, parents, students and others involved in the TESOL field. It also recommends that countries should follow the European Union's lead and ban any language teaching job criteria that state a 'native speaker' requirement.
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 | 0,001 | 0,001 |
| 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 | 0,000 | 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 ».