MétaCan
Menu
Retour à la cohorte
Enregistrement W2263307192 · doi:10.5861/ijrsll.2016.1262

Understanding the choice of Chinese graduate students’ English language learning in a Canadian post-secondary context

2016· article· en· W2263307192 sur OpenAlexaffabout
Huizhi Wang, Michael Cottrell

Notice bibliographique

RevueInternational Journal of Research Studies in Language Learning · 2016
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueEFL/ESL Teaching and Learning
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésContext (archaeology)PsychologyMathematics educationPedagogyEnglish languageSociologyHistory

Résumé

récupéré en direct d'OpenAlex

This study explores the English learning strategies employed by Chinese graduate students before and after their arrival in Canada, to document and analyze shifts in strategic approaches to language acquisition in a specific context of post-secondary internationalization.Narrative inquiry data collection methods, framed by a qualitative co-constructivist theoretical paradigm, shaped the research.Themes emerging from data analysis suggested that participants' reliance on memory and cognitive strategies employed in China were abandoned in favor of utilization of compensation and social strategies after moving to Canada.Participants made these changes primarily because of their desire to make best use o f the English-speaking Canadian environment to improve English proficiency, as an explicit and significant aspect of their personal motivations for internationalization.An important finding of this research is that immersion in the English-speaking environment inspired participants to employ different English learning strategies leading to significant improvement in English proficiency.The study seeks to address a gap in the research literature on internationalization and second language acquisition, in order to understand and mitigate the well-documented challenges experienced by international students in transitioning from one linguistic context to a dramatically different one.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,062
Score d'incertitude au seuil0,160

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0070,003
Communication savante0,0050,001
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,184
Tête enseignante GPT0,445
Écart entre enseignants0,261 · 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'étudeQualitatif
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

Citations0
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Research Studies in Language LearningMême sujetEFL/ESL Teaching and LearningTravaux en français237 207