Forging a Path for Diverse Identities and Voices: Multilingual Educators’ Reflective Stories
Notice bibliographique
Résumé
Shifting attitudes and requirements for refugee and visa applications in Canada, executive orders on immigration and language policies in the United States, and legislation against Critical Race Theory have contributed to changing the educational landscape of North America (Banerjee et al., 2025; Bumgardner et al., 2025; Government of Canada, 2025; Immigration, Refugees and Citizenship Canada, 2024; The White House, 2025; World Population Review, 2025). This paper draws on four multilingual educators’ personal stories, narratives, and reflective inquiries as language learners to explore layered identities in education. Shelley K. Taylor introduces how linking race, language and identity work through stories help us relate, learn, and change (Wink, 2017). Next, her four co-authors share their individual stories, beginning with Ryan Pontier. He shares his bilingual journey in which he contrasts his situated experiences with those of his students while highlighting the importance of translanguaging and equitable educational practices for multilingual students. Ryuko Kubota challenges normative expectations of "native-like" proficiency and advocates for justice-affirming education. David Schwarzer examines the historical use of languages in English Language Teaching, evolving attitudes towards multilingualism, and making space for translingualism as a linguistic phenomenon, a pedagogy, and an ideology. Lastly, Melissa Rivera Screven discusses the fluidity and hybridity of language use among multiply-marginalized multilingual families, showcasing a translingual-vision approach for the future of English language teaching. These narratives provide insights into how race, languaging and identities shape educational experiences, and emphasize the importance of a gradient array of diverse perspectives. This paper situates the critical need to prepare teachers to persevere in the profession and envision a more inclusive, equitable future for all learners.
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 | 0,022 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,036 | 0,050 |
| Communication savante | 0,020 | 0,027 |
| Science ouverte | 0,005 | 0,026 |
| Intégrité de la recherche | 0,006 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».