Identifying College Students’ Multiple Intelligences to Enhance Motivation and Language Proficiency
Notice bibliographique
Résumé
While most research studies on the theory of multiple intelligences focused on the application of the multiple intelligences domains as separate components, this quasi-experimental research targeted the effect of multiple intelligences as integrated abilities for teaching and learning English at higher education. The purpose of this study was to examine the impact of students’ multiple intelligences profiles on their motivation and language proficiency. The quantitative data was collected from the students of the College of Languages and Translation at Al-Imam Mohammad Ibn Saud Islamic University in Saudi Arabia. The researchers prepared a Likert scale questionnaire to identify students’ multiple intelligences. The participants formed two groups from male and female students who studied English courses at level 3. The first group studied English in a traditional classroom where they relied on memorizing grammatical rules while the second group studied English after identifying their multiple intelligences profiles. Using the Statistical Package for the Social Sciences software (SPSS), data analysis results indicated that ineffective teaching strategies that depended on encouraging learners memorizing language rules hindered students from boosting their language proficiency. The analysis of the data also showed that when students became aware of their multiple intelligences profiles, they managed to enhance their motivation, which helped them improve their language skills. The recommendations of the current research provide creative ideas for using multiple intelligences at higher education, including a model for integrating multiple intelligences for teaching English. The current research is also a contribution in teaching English to college students since it is among only a few studies that have applied Gardner’s theory at higher education.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».