Immersieonderwijs in Waalse 3de kleuterklassen : kwalitatief onderzoek naar de didactische aanpak
Bibliographic record
Abstract
Het belang van het immersieonderwijs wordt aangetoond door het aantal studies die daarover uitgevoerd worden in de huidige maatschappij. Hoewel het immersieonderwijs eerst in Canada en in de Verenigde Staten opgestart werd, heeft de moderne immersie progressief meer plaats ingenomen in het opvoedingssysteem van verschillende landen, inclusief België (en vooral Wallonië). In de scriptie wordt eerst een overzicht van de didactische principes gegeven die in de literatuur naar voren worden gebracht. Deze scriptie is daarna gericht op de toepassing van deze methodes en deze in een nieuwe context te analyseren, namelijk de 3de immersiekleuterklassen in Wallonië. Het immersiesysteem wordt pas onlangs in de kleuterklassen ingevoerd. Om deze reden wordt er tot op heden maar weinig onderzoek uitgevoerd op dit systeem. Deze scriptie heeft dus als doel een kwalitatieve analyse te doen van de didactische principes die gebruikt worden om de kleuters aan de T2 (het Nederlands) te laten wennen. Daarvoor werden twee immersiekleuterklassen geobserveerd en opgenomen. De opnames werden vervolgens getranscribeerd om de analyse ervan te vergemakkelijken. Uit dit onderzoek blijkt dat de leraressen van beide kleuterklassen de didactische principes die in de literatuur aangehaald worden, intuïtief toepassen.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.005 | 0.011 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.020 | 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".