Promoting Writing Competence and Positive Attitudes among College Students in a CLIL English Course
Notice bibliographique
Résumé
The study targeted a group of 27 students at a college in Kuwait who were enrolled in a Content and Language Integrated Learning (CLIL) English course during the academic year 2015-2016. The purpose of the study was to monitor students’ assessments of their writing competence in English and to measure their attitudes toward the CLIL course. Data collection utilized a total of five focus-group interviews with the students which were recorded and transcribed, and a category system was generated to describe the commonalities in the participants’ responses. Additionally, an online survey using Google Forms was based on the categories delineated from the interview data. The Microsoft Excel program was used for counting the means, standard deviations, and percentages for each of the survey items. The results of the study indicated that the majority of the students (80%) thought that the CLIL course enhanced their writing competence both within and beyond the sentence level. Writing skills within the sentence level included the accurate use of punctuation marks and capitalization rules. Writing skills beyond the sentence level included paragraph organization, use of proper transition words, and writing cause-and-effect paragraphs. Approximately 20% of the students did not think CLIL improved their writing competence beyond the sentence level. Furthermore, the students displayed highly positive attitudes toward all aspects of the CLIL course. Implications were drawn for specialized teacher training to cope with the demands of CLIL courses, and longitudinal studies to track students’ development of writing competence over time.
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 | 0,001 | 0,044 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».