Children’s acquisition of literacy in syllabic scripts
Notice bibliographique
Résumé
This paper, emerging from questions from teachers, parents, and educational policy makers in Canadian Inuit communities, summarizes the results of a literature review of English-language sources addressing children’s acquisition of literacy in syllabic scripts. Specifically, how first language literacy development in Inuktitut syllabics (Qaniujaaqpait) and English or French roman orthography (Qaliujaaqpait) differ (Harper, 2005), together with how learning two different scripts impacts biliteracy acquisition in Inuit children, including those with learning exceptionalities. Unsurprisingly, there are few salient English-language empirical studies, albeit Gleitman and Rozin (1973) demonstrated English-speaking children’s ease in acquiring a 23-symbol English-based syllabary, proposing that syllabaries are a more concrete and effective starting point for early literacy. Limited research concerning Cherokee suggests that syllabics are not objectively harder to learn for mother tongue speakers, but that language loss, alongside ideologies privileging alphabetic writing, may compel preferential use of alphabetic systems for teaching Cherokee literacy (e.g. Peter & Hirata-Edds, 2009). First language literacy acquisition in syllabics is more broadly studied in Asian languages, whereby linguistic awareness (phonemes, syllables, lexemes) was the strongest predictor of learners’ success (cf. Nag & Snowling, 2012). The research suggests that greater understanding of processes and practices supporting children’s acquisition of literacy and biliteracy in syllabics is needed. Still, efforts to strengthen Inuktut oral language proficiency and use, and to enhance overall exposure to and opportunities to read a variety of Inuktut texts, will likely have a greater positive impact on children’s acquisition of Inuktut literacy than efforts to change the script being used. \nThis research was completed with funding from the University of Winnipeg Research Office - Covid Discretionary Grant.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».