Decoding the Myths of the Native and Non-Native English Speakers Teachers (NESTs & NNESTs) on Saudi EFL Tertiary Students
Notice bibliographique
Résumé
Many people believe the myth that being taught by a native speaker is the best way to learn a language. This belief has influenced many Saudi schools, language institutes, and universities to include the nativeness factor as part of a language instructor’s job requirements. Using an open ended questionnaire, this study aims to investigate the impact of native English speaking teachers (NESTs) and non-native English speaking teachers (NNESTs) on EFL university Saudi students. It also explores how the teachers’ background and accents influence the students’ achievement in terms of the development of their language skills. The participants are students who are in their preparatory year program at King Abdulaziz University in Jeddah taught by NEST and NNEST. The findings of the study indicate that teachers’ nativeness and backgrounds have no significant effects on the EFL Saudi students’ learning processes. However, a few factors have been detected that play roles in supporting EFL learning, which can be summarized as follows: 1) Teachers’ competence and experience are what make the teachers qualified, regardless of their nationalities. 2) Teachers sharing the students’ L1 play positive roles in the EFL learning process. 3) The teacher’s accent has an effect on students, which might hinder the learning process in the case of an unfamiliar accent. 4) The teacher’s personality is more involved in the classroom communications and interactions than is the teacher’s nativeness. Based on the findings of this study, implications are made on the topic of the effect of NEST and NNEST on EFL learning.
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 | 0,006 |
| 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 | 0,004 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».