如何发展对第一语言或第二语言的知识,以及在实时理解和一种或两种语言中使用的知识如何?双语开发和处理是本书探索的中心主题,最初是根据第一语言(S)(L1)而探讨的,然后是其他语言。人类的生长和发展必然涉及时间的流逝,刺激了这种正交因素,并导致观察到能力在整个寿命中可能会有所不同。两个理论框架在历史上已经归因于知识和使用语言,自然与养育方法的解释(Galton 1876):前者归功于生物遗传的内在特征,而后者则将环境外在经验归因于发展变化的原因。te证据将导致更加细微,更复杂的观点,避开二分法,并赞成考虑一系列内部和外部影响的混合方法。的确,“没有两者都不会发生发展,并且由于自然而改变了自然而自然的变化”(Shulman 2016,75;另请参见Resende 2019)。双语者表明,根据何时以及如何获取两种语言的方式(语言获取,洛杉矶;有关儿童洛杉矶的讨论),请参见De Houwer 2021。te术语的开发,获取和学习通常在本书中互换使用,并包括“指导和非实施者,无论是隐式和明确的》(de Houwer&Ortega 2019b,2,2)。第一个审查是同时学习两种语言(2l1a)的双语者,并且可以称为婴儿床双语者。从两种语言中获得大量意见并在两种语言中都具有稳固培训的教育机会的可比访问权限的孩子都认为平衡能力。但是,双语的两种语言永远不会完全平等或平衡(de Houwer 2018a,b; Grosjean 2008),因此该术语(尽管广泛使用)并不是真正准确的。第二个要研究的是幼儿,他们从三到六岁的年龄获得第二语言(CL2A)掌握其L1的核心特征;这样的个体被描述为早期顺序
VSA通过强调批判性思维,分析和综合技能,向其IB全得分手中的学习充满了终生的学习热情。IB计划的跨学科方法以及学校对记忆的理解的关注使学生变得好奇,自我激励的学习者。雷克斯·李(IB Full得分手)说:“ VSA鼓励学生主动进行工作,提供自由和创造力,以探索真正感兴趣的主题。这种自主权使我能够负责自己的学习,从而使教育经历更加相关和有影响力,因为我追求我热衷的话题。”vsa还鼓励自我指导的学习,为学生做好高等教育和专业环境的自我驱动性的准备。“在我的整个PYP,MYP和DP的教育旅程中,保持一致的是鼓励发展自己的思维方式,考虑和评估不同的观点,而不是以面值接受信息,” Deirdre Chau(IB Full Scorer)共享。
研究程序旨在确保数据收集准确可靠。我们尽量减少参与者的压力或疲劳。该过程分为三个主要阶段:预测试、测试和数据分析。在预测试阶段,我们努力为孩子们营造一个舒适且有趣的环境。使用游戏和随意交谈等入门活动来建立融洽关系并缓解对测试过程的任何潜在焦虑。这些活动帮助孩子们熟悉研究人员。我们培养了一种积极的动态,鼓励合作和积极参与。向家长简要介绍了研究的目标和程序。我们确保他们理解并同意,同时深入了解孩子们的语言习惯。
DLI 项目 为了解更多有前景的和其他基于证据的 DLI 实践和项目,美国教育部(以下简称“教育部”)收集了来自 WestEd 和第 2、6、14 和 15 区综合中心以及五个 SEA(加利福尼亚州、纽约州、北卡罗来纳州、德克萨斯州和犹他州)的信息。之所以选择这些州,是因为它们的 DLI 项目数量最多,每个州都有 200 多个 DLI 项目。12 DLI 项目首先从文献扫描开始,用于创建一系列考虑因素和指导问题,以确定可以实现高质量和包容性的 DLI 项目的政策、流程、项目和实践。13 每个 SEA 都围绕关键问题和考虑因素,确定了要访问的“亮点”——拥有高质量研究型项目、学生出勤率高和家长参与度高的公立学校。在选择 DLI 亮点时,SEA 被鼓励考虑人员配备、专业发展、项目愿景和目标、课程和评估、教学技术、学生构成、增加 EL 访问权限的过程、项目实施政策、SEA 和 LEA 级别政策以及学生成果。
示例:达拉斯独立学区(ISD)运行该国最大的DLI计划之一。地区领导人认为DLI是支持El学生的语言和学术发展的默认方法。适当地,2019年,该地区的154所西班牙语 - 英语DLI学校招收了该地区64,217 EL中的近45,000名。在地区一级,达拉斯的DLI计划说明了EL的公平访问。虽然只有8%的美国EL招收了DLI,但近70%的达拉斯EL。平均而言,达拉斯提供的DLI计划的EL占ELS比例高于整个地区。此外,达拉斯DLI学校的种族和种族人口统计数据密切追踪地区人口统计,没有学生团体超过2.5个百分点的人口组成部分。11
摘要 本社论介绍了 CEJEME 关于教育测量中的人工智能和机器学习的特刊的第一部分。随着人工智能和机器学习技术彻底改变了教育,它们为个性化学习和创新评估实践提供了新的机会。本期重点介绍了人工智能和机器学习对教育测量的变革性影响,探讨了它们的潜力和它们带来的道德挑战。本期包括四篇文章,探讨了人工智能在教育测量中的机遇和道德挑战、在生成人工智能时代为 GPU 匮乏的人提供的自动文本评分、使用自动编码器和 BERT 检测计算机化测试中受损项目的新方法,以及 R 中 ML 包的使用。本期为教育测量的未来提供了宝贵的见解。本期特刊的第二部分将于 2025 年春季出版。
我的主要研究兴趣是了解人类神经认知发展如何受到社会和语言经验的影响。聋哑父母的听力正常儿童(也称为 CODA)是一个有趣的群体,因为他们具有独特的交流经验,因此可以研究依赖经验的可塑性。事实上,他们可能同时接触手语(例如美国手语)和口语(例如英语),从而导致出现一种特殊的多语言现象:双模态双语现象。尽管传统上关于这一群体的数据有限且往往不一致,但人们通常认为他们有语言学习困难的风险。本演讲将讨论最近的数据,比较从婴儿期到学龄期的双模态双语者的大脑激活模式和语言习得概况,并与从出生开始学习两种口语的儿童(单模态双语者)和学习单一语言的儿童(单语者)进行比较。结果表明,语言经验会影响生命最初几个月的大脑语言网络的发展。他们还指出,双模态双语者从婴儿期到学龄期都能成功习得语言,与听力正常的父母的孩子相比,他们在某些方面具有优势。以双模态双语为例,本演讲将说明语言专长的形成是一个依赖于儿童环境和经验的适应性过程。
方法:从2021年到2022年,当前病例对照研究的统计人群包括伊朗德黑兰省的所有单语和双语学生(8-11岁)。使用便利抽样方法,选择了56名单语小学生(28名男孩和28个女孩)和56名双语小学生(28个男孩和28个女孩),并就情报和社会经济地位进行了匹配。双语小组的所有成员在进入小学之前就学会了第二语言。我们使用了威斯康星州卡排序测试(WCST)的计算机版本,Stroop Color和Word Test的计算机化版本(SCWT),Kim Kim Karad Visual Memory Test(KKVMT),Wechsler的数字跨度测试(WDST)以及Raven的彩色渐进式矩阵(RCPM)测试。通过描述性统计数据和方差多变量分析(MANOVA)分析了数据。
随着技术的进步,机器人越来越多地进入我们的社会,在教育中找到使用[1] [6],治疗[4] [3],娱乐[21]和其他领域。在人类互动和人类机器人互动(HRI)领域中,语音是最友好,最自然的交流方式[20],它促进了清晰而对话的交流,而语气和情感的表现力则有助于更具吸引力的互动[2]。同时,手势是人类通讯的组成部分,当机器人可以进行基于手势的通信时,它会增强人类与机器人之间的自然性和融洽关系[24] [22]。手势提供了视觉维度,补充语音以传达信息[9],表达情绪[8]和指导动作[10],使机器人更像人性化和引人入胜[19]。共同创造了更直观和相关的HRI体验。然而,当聋人在场时,言语和手势可能被证明是无效的交流手段。gibson [5]说明,在一个感觉系统中遇到损害的个体通常会提高替代感官渠道作为补偿机制的熟练程度。这种现象被称为感觉补偿,这意味着耳聋的人可能表现出视觉和触觉方式的灵敏度提高。在许多国家 /地区,手语是听力损失的人的第一语言[11]。因此,在同时聋哑人或听力障碍和非聋子的情况下,可以以自然语言进行交流的机器人具有重要意义。它可以帮助弥合那些主要使用口语语言的人与依靠手语的人之间的沟通差距,使每个人都可以有效地互动并参与各种社会,教育和专业背景。本文介绍了一项初步研究,旨在在胡椒机器人的平板电脑上展示带有手语和字幕的化身,同时使胡椒能够说出带有伴随的手势的自然语言,因为机器人的自由度限制了我们直接使用它的手语言。机器人通信系统的多模式性质可确保它可以满足不同的受众群体的需求,从而适应手语用户和熟练口语的个人。
通讯:Maria M. Arredondo,德克萨斯大学奥斯汀分校人类发展与家庭科学系,108 E Dean Keeton St.,奥斯汀,TX,78712。电子邮件:maria.arredondo@austin.utexas.edu 利益冲突声明:作者证明与本稿件中讨论的主题或材料没有任何经济利益的任何组织或实体没有任何关联或参与。数据可用性声明:可通过 Open Science – osf.io/q6cbv 索取数据。致谢:作者感谢参与的婴儿及其家人。本材料基于美国国家科学基金会 (NSF) SBE 博士后研究奖学金 (拨款编号 1810457) 和 UBC Killam 博士后研究奖学金 (MM Arredondo) 资助的工作,以及自然科学与工程研究委员会 (NSERC;RGPIN-2015-03967) 和社会科学与人文研究委员会 (SSHRC;435-2014-09) 资助 JF Werker 的工作。第一作者还要感谢德克萨斯大学奥斯汀分校的人口研究中心,该中心由尤尼斯肯尼迪施莱佛国家儿童健康和人类发展研究所 (NICHD,P2CHD042849) 资助。本材料中表达的任何观点、结论或建议均为作者的观点,并不一定反映 NSF、Killam、NSERC、SSHRC 和/或 NICHD 的观点。作者还感谢 UBC 早期发展研究小组以及以下个人的协助:Ana Ivkov、Eloise Moss、Elsa Arteaga、Lauren Caswell、Riley Bizzotto、Samara Reyes、Sarah Cheung、Sarah Thomas、Minyu Zhang,以及 Sav Nijeboer 和 Jacqueline (Jack) Cloake 对研究协调的帮助。