Knowledge sharing to support newly arrived refugee families’ settlement and children’s educational outcomes: insights for educators
Notice bibliographique
Résumé
Forced displacement of people is increasing globally. In this context, sharing of knowledge amongst practitioners involved in refugee settlement can generate new insights into resource availability, quality, innovation, and creation of Communities of Practice. The research discussed in this paper, which adopted a qualitative, participatory methodology, had two aims. First, to gather community hub leaders’ and centre facilitators’ knowledge and practices relating to newly arrived refugee families’ settlement and their children’s educational outcomes in Australia. Second, to translate this knowledge into a Knowledge Translation Framework (KTF) to support practitioners’ work with families and children. Thematic analysis was conducted on interviews with 32 participants from 21 community hubs and centres across Australia, to examine their practices supporting the settlement of refugee families and children’s early learning, and transition to school. Collectively, the findings highlight the importance of a holistic, place-based, soft-entry support grounded in reflective practices, empowering families, and building connections, trust, and relationships with them. Also, they accentuate that refugee support is intertwined with contextual knowledge and factors of geographies, organisational systems, environments, families’ well-being, resources, and practitioners’ ongoing professional development. The implications of these findings and the KTF for various stakeholders, including educators, in enabling newly arrived families’ settlement and promoting children’s educational outcomes are discussed.
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 | 0,001 | 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 ».