Digital storytelling and intersectional identities: youth with refugee experiences (Re)claiming life stories
Notice bibliographique
Résumé
This study addresses the urgent need to develop pedagogies that enhance language and literacy learning and identity affirmation (and resistance) opportunities for youth from refugee backgrounds. In Canadian high schools, this population of students enter school with varying levels of literacy in their first language(s), as well as potentially difficult experiences due to their forced migration. For many, language-content learning may become a formidable challenge, negatively impacting identities. A growing corpus of case studies is beginning to show how pedagogies that draw on youth’s everyday meaning making and their intersectional identities can effectively engage refugee-background learners in academic learning. In this qualitative case study involving nine refugee-background youth in an English language learning classroom in Western Canada, we explore the potential for digital storytelling to enable learners to draw from their full communicative repertoires to enhance language and literacy learning and enable intersectional identity representation, renegotiation and affirmation. Our study is informed by three interrelated conceptual frameworks: intersectionality , communicative repertoires , and digital literacies . We undertook a six-phase process for thematic data analysis of the collection of digital stories, using contextual data such as semi-structured interviews, participant observations and informal conversations to understand the relationship between the students’ digital stories and their lived experiences. Using an adaptation of Rose’s (2016) visual methodology, we provide a more in-depth analysis of the digital stories of two students with a focus on the intersectionality of the various contexts of their lives and identities. Across all participants, four interweaving themes emerged from our thematic analysis of the nine digital stories overall: 1) contesting single-axis labels; 2) reconciling mutually constitutive categories of difference; 3) (re)claiming life stories; and 4) recognizing the critical role of audience. (293)
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 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 ».