Teaching Inclusive Language Against Exclusive Norms: Theoretical, Empirical, and Practical Considerations for the L2 Spanish Classroom and Beyond
Notice bibliographique
Résumé
Languages exhibit varying degrees of complexity in their gender systems. Some, like Finnish and English, convey gender distinctions solely through lexical variation (e.g., äiti–isä, mother–father, respectively), while others feature intricate agreement systems encompassing pronouns, adjectives, predicate nominatives, and verbs. Further, some languages already employ gender-neutral pronouns within their traditional linguistic norms (e.g., Finnish uses hän for ‘he,’ ‘she,’ and ‘it’) while others have had to create new pronouns (e.g., hen in Swedish) and new agreement systems (e.g., elle and the corresponding -e gender morpheme in Spanish) that exist beyond gender binaries. Relatedly, languages employing grammatical gender often use the so-called generic masculine to refer to mixed-gender groups of people, presenting issues for women who go linguistically unrepresented in such constructions which have prompted calls and attempts for reform. But where innovation towards inclusion occurs also come issues in using and teaching novel linguistic forms. This article uses the Spanish gender system and its novel inclusive forms, along with some examples from other languages, as a case study for answering two key questions that world language and second language educators must answer as they approach inclusive languages: What do I tell my nonbinary students when they ask what linguistic options they have? and How do I teach language without enforcing gender stereotypes? Recommendations include faithfulness to the morphophonology of the target language, visibilizing linguistically marginalized groups, and, above all, a willingness to engage in discussions about gender. Lastly, sample inclusive pedagogical resources for language teachers are provided.
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 | 0,002 |
| 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 | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».