Exploring ESL/EFL Teachers’ Pedagogical Content Knowledge on Reading Strategy Instruction
Notice bibliographique
Résumé
<p>Any instructional practice must be derived from a teacher’s knowledge base for teaching, which can be acquired by training, study, or practice. While much attention has been paid to teachers’ practical content knowledge in real educational settings, comprehensive syntheses of expert knowledge on a particular teaching task for a specific group of teachers are still scarce. This paper tends to synthesize ESL/EFL teachers’ pedagogical content knowledge of reading strategy instruction through learning the expertise conveyed in literature. Drawing on related studies in the field of reading strategy instruction either in general or in ESL/EFL contexts, this argumentative article first proposes a synthesized reading strategy instruction model which consists of one key component and two general principles, all of which create and are created by a safe and risk-free environment where students learn to use strategies actively and consciously with motivation and assistance. This article then elaborates on eight instructional strategies using summarizing instruction as an example in terms of three types of knowledge: declarative, procedural, and conditional. With the enrichment of the pedagogical content knowledge on strategy instruction, ESL/EFL teachers might teach reading strategies effectively both <em>with</em> metacognition, i.e., consciously planning, monitoring, and evaluating their teaching, and <em>for</em> metacognition, namely, to affect their students’ metacognitive awareness of strategy use in reading.</p>
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».