Supporting Immigrant Students’ Academic and Social Integration: ESL and French College Teachers’ Collaboration in Promoting Cross-Linguistic Teaching of Language and Strategies
Bibliographic record
Abstract
L’article qui suit est consacré à la description d’une recherche collaborative menée par quatre enseignantes de cégep québécoises, deux d’anglais langue seconde et deux de français, dans le but de soutenir l’apprentissage des étudiantes et étudiants immigrants. Par l’entremise de cette recherche-action, nous avons créé une communauté professionnelle d’apprentissage qui permet à la chercheuse et aux enseignantes participantes, grâce à des cycles de planification, d’action et de réflexion, de relever les similitudes et les différences entre les divers objectifs composant les cursus de ces deux programmes de langue. Guidées par les principes de compétences plurilingues et pluriculturelles, nous avons élaboré des techniques d’enseignement et des stratégies translangagières qui favorisent une conscience et une approche métalinguistiques et ainsi bonifient la performance des étudiantes et étudiants en lecture et en écriture. En accord avec le curriculum du MEES, nous avons également adopté une thématique commune, soit celle de l’éducation interculturelle, dans le but de promouvoir une plus grande acceptation de la diversité culturelle. Les résultats démontrent en effet une augmentation du sentiment d’efficacité chez les enseignantes en ce qui a trait au soutien et à l’encouragement des apprenantes et apprenants immigrants. L’accent mis sur la thématique interculturelle a permis, chez les étudiantes et étudiants en situation de minorité, la reconnaissance de leur identité et le développement d’une sensibilité interculturelle à la fois chez les étudiantes et étudiants québécois et immigrants. Enfin, en général, les étudiantes et étudiants s’entendent pour dire que l’enseignement explicite de stratégies de lecture et d’écriture transférables a été utile. Cette recherche novatrice met donc en lumière le potentiel éducatif et l’importance de la collaboration et de la coordination entre les enseignantes et enseignants de diverses langues afin de mieux soutenir le développement d’un répertoire linguistique et culturel complet chez les étudiantes et étudiants immigrants et de favoriser ainsi un engagement scolaire et socioaffectif.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.010 | 0.005 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".