City of Buenos Aires’s ELT landscape and its resilience against native-speakerism
Notice bibliographique
Résumé
Scholarship on the Argentine English Language Teaching (ELT) context is scant; even more so is research addressing Native-speakerism in the Argentine context. This article fills an important gap pertaining to the understanding of the City of Buenos Aires-the largest city in Argentina- and its language education system. The data obtained via document analysis provides a description of the city’s population language level and language education infrastructure which in turn offers relevant insights regarding the city’s system’s strengths and weaknesses against Native-speakerism. The factors that render the City of Buenos Aires strong against Native-speakerism are (1) a public school system which requires qualified teachers; (2) an overall public/private school system which prefers qualified teacher with classroom management experience over proficient speakers of English with no teaching experience; (3) a legal hiring framework that favors the local labor force; (4) and availability of highly trained and respected English as a Foreign Language (EFL) teachers. All these strengths notwithstanding, weaknesses in relation to Native-speakerism exist within the medium/small private language school industry, which can (and might) circumvent the law to hire (under-qualified) NESTs illegally. The breeding ground for Native-speakerism in medium/small private language school calls for further research to delve into what extent Native-speakerism takes place in this specific context.
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 | 0,000 | 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 | 0,000 | 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 ».