Analogy as a Tool for the Acquisition of English Verb Tenses among Low Proficiency L2 Learners
Notice bibliographique
Résumé
The teaching of English grammar to second language learners is usually a tedious, stressful and time consuming activity and even after all the effort, students have generally found these lessons boring and confusing. As such, innovative language instructors have been trying different approaches to the teaching of grammar in their classrooms. Using analogy as a tool for teaching is nothing new especially in science subjects such as Physics. In this comparative study however, analogy is used to teach English verb tenses to low proficiency L2 learners of English. The aim is to investigate the effects of using analogy as a tool for teaching English verb tenses. If using analogy is found to be effective, then it would be interesting to investigate to what extent it can be implemented in the low proficiency classroom. The analogy used has been creatively thought out and incorporated in the lesson with the help of innovative visual aids. A hundred and seventy-two pre-diploma students with low profiency levels of English were selected for this experiment. They were given a pre and post-test task before and after the lesson on verb tenses in order to determine whether the use of analogy implemented during the lesson had a favourable impact to learning. The test scores of the pre and post tests were then compared to verify the feasibility of using analogy in the lesson.
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 | 0,002 | 0,006 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».