Plurilinguismo a scuola: opportunità, risorse, vantaggi e criticità
Bibliographic record
Abstract
Il contributo intende fornire un sintetico panorama di quanto negli anni è andato consolidandosi nelle nostre scuole in materia di plurilinguismo. Dopo una breve introduzione in cui vengono forniti dati aggiornati sulla presenza di alunni e alunne stranieri/e negli istituti scolastici italiani, si fa cenno a ciò che la loro presenza ha comportato per le scuole nel corso degli anni. Si passa poi a illustrare in maniera essenziale le criticità più evidenti legate alla loro presenza e relative a tutti i soggetti che agiscono nell'universo di una scuola e all'istituzione scolastica nel suo complesso. Il contributo descrive poi un progetto finalizzato all'apprendimento delle lingue e soprattutto alla promozione del plurilinguismo e realizzato in alcune scuole lombarde grazie al partenariato tra Ufficio Scolastico Regionale per la Lombardia e Ontario Institute for Studies in Education (OISE) - Università di Toronto. Il progetto, coordinato dall'ispettrice tecnica Gisella Langé e dalla professoressa Enrica Piccardo, è stato condotto interamente on line nell'anno scolastico 2020-2021 e ha coinvolto circa 120 docenti di lingue differenti e di diversi ordini di scuola. Ne vengono richiamati i presupposti teorici, lo sviluppo e infine i risultati.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.008 | 0.027 |
| Scholarly communication | 0.013 | 0.007 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
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".