Classifying Californiaâs English Learners: Is the CELDT too Blunt an Instrument?
Notice bibliographique
Résumé
Executive Summary\n There are 1.6 million English learners (ELs) in California’s K-12 public schools, comprising a quarter of California public school students and thirty percent of EL students in the United States. Our study provides strong evidence that California school districts are misidentifying large numbers of entering kindergarten students as English learners. California’s home language survey over identifies children to be administered the California English Language Development Test (CELDT). Because only about 94 percent of kindergarten students taking the CELDT in 2009-10 were classified English language proficient, being identified to take the CELDT almost guarantees a student’s classification as EL. Our findings call into question the validity of the home language survey and the CELDT as the tools for identifying EL students in California.\n EL misidentification is important because it means that these students are not receiving the language support and education that is appropriate to their language skills. In addition, in an era of budget crises, it becomes especially vital that scarce language development resources be targeted as effectively as possible. The wide net currently being cast by California’s EL classification system in some ways renders the classification itself meaningless, given its application to such a wide range of students. Part of the problem is that there is no clear definition of what constitutes “an English language learner” (Abedi 2008, Abedi & Gándara 2006). That definition is left to district interpretation, resulting in significant variability in classification criteria and rates across the state.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,027 | 0,069 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».