Chunking, Elaborating, and Mapping Strategies in Teaching Reading Comprehension Using Content Area Materials
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper reports on an experimental study of the application of chunking, elaborating, and mapping strategies inteaching reading comprehension using content area reading materials. The research method employed apretest-posttest control group design. The purpose was intended to answer the research problem related to the effectof the treatment on the students’ English reading achievement. The hypothesis proposed was that there was nodifference in reading achievement scores of the two groups before and after the treatment. The subjects of theresearch were the first year students at the Economics Faculty, Bandung Islamic University, Indonesia. The researchinstruments were reading comprehension tests covering micro processes, integrative processes, macro processes, andelaborative processes. The data obtained through pretest and posttest, were statistically analyzed using t-test. Thestudy showed that the treatment had a significant effect on the students’ reading achievement. In addition, thestudents in both groups were asked to fill in questionnaires to identify their perception on the trained readingstrategies and teaching materials. The study indicated that their perception was mostly positive. In brief, this studysuggests that chunking, elaborating, mapping, and summarizing strategies facilitate students’ reading comprehensionin expository texts in the Indonesian context. However, further research utilizing different reading strategies shouldbe conducted to explore other outcomes that might be more effective in EAP classrooms.
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.
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 | 0,002 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle