MétaCan
Menu
Retour à la cohorte
Enregistrement W1663476106 · doi:10.5539/elt.v8n9p187

The Use of Supplementary Materials in English Foreign Language Classes in Ecuadorian Secondary Schools

2015· article· en· W1663476106 sur OpenAlexvenueno aff
Alexander R. Dodd, Gina Camacho-Minuche, Elsa Morocho, Fabian M. Paredes, Alexandra Zúñiga, Eliana I. Pinza, Alba Vargas-Saritama, Carmen D. Benitez, Sylvia Rogers

Notice bibliographique

RevueEnglish Language Teaching · 2015
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueEducation and Technology Integration
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPsychologyClass (philosophy)Mathematics educationEnglish as a foreign languageSample (material)Foreign languageEnglish languagePedagogyChemistryComputer science

Résumé

récupéré en direct d'OpenAlex

This mixed-methods study investigated the use of supplementary materials by EFL teachers in Ecuadorian secondary schools. Via the use of teacher interviews (n=12) it was found that teachers believe the use of supplementary materials increases the motivation of the students, which in-turn improves the learning possibilities of the students. The quantitative sample (n=695) showed the students’ preferences for supplementary materials and confirmed our results that the use of certain supplementary materials does in fact increase the motivation, understanding and participation of the students in their English language classes. Four variables were considered to do this research; motivation of students when any material was used, whether students’ participation increased or not when using supplementary material, the third one focused on whether the students felt as though their understanding had increased in class as a result of the use of the material. The final variable aimed to measure whether the student felt their performance in class had improved as a result of the use of the material in question. The results showed that more dynamic and interactive classes are created when teachers use any supplementary material.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,029
Tête enseignante GPT0,320
Écart entre enseignants0,291 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnglish Language TeachingMême sujetEducation and Technology IntegrationTravaux en français237 207