Non-English Majors’ Listening Teaching based on Lexical Chunks Theory and Schema Theory
Notice bibliographique
Résumé
<p>English listening is seen as a vital means of linguistic input for Chinese EFL (English as a Foreign Language) learners, which lays a solid foundation for English learning and communication with English speakers. Besides, with increasing of scores of the listening part in the newly-reformed CET-4 and CET-6 (CET refers to college English test in China and both tests are the evaluation criteria of non-English majors’ English proficiency), it is urgent to improve non-English majors’ listening abilities in language teaching. However, students find listening to English stressful and painful and it is hard for them to process information quickly enough when listening. Meanwhile, their listening abilities cannot be improved effectively by the traditional English listening teaching methods. Researchers at home and abroad have discussed listening strategies, but seldom study the combination of lexical chunks theory and schema theory in improving non-English majors’ listening. Therefore, this research first proposes a lexical chunks schema-oriented listening teaching method which can effectively improve non-English majors’ listening abilities and then conducts an empirical study to verify its effectiveness. As the lexical chunks schema-oriented listening teaching method suggests, activities about memorization, recognition and reconstruction of lexical chunks, activation of the existed schema and building up new schema should be carried out in pre-listening, while-listening and post-listening in the listening class.</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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».