Analysis of Perceived Difficulty Rank of English Skills of College Students in China
Notice bibliographique
Résumé
A widely known fact of English education in China is that after years of learning, most Chinese students still can not speak English or understand spoken English. This phenomenon is called “mute English” in China’s academic community, a phenomenon that has been frustrating both English instructors and learners ever since English was listed a compulsory subject in high schools and mandatory course in universities in China years ago. “Mute English” or “English mute” is due to many factors, which would require more than one study and constant research efforts to arrive at a full understanding. This study analyzed the perceived difficulty rank of five English skills, namely, listening, speaking, reading, writing and translating in the hope of discovering the relationships among these skills to find out how these skills interact with each other, thus providing some hints on improving China’s current English teaching approaches and reducing the mute English phenomena. Data analysis shows that of listening, speaking, reading, writing, and translating, Chinese students perceive translating and speaking the most difficult skills to command, whereas reading is perceived the least difficult one. However, no significant difference is found between translating and speaking between English majors and none majors. Such perception differences in these English skills alert us that we need to restructure our design teaching approaches and course contents for an effective teaching approach of oral English in China and to reach the ultimate goal of the application of foreign language learning.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».