MétaCan
Menu
Retour à la cohorte
Enregistrement W2610091800 · doi:10.5539/elt.v10n5p193

Application of Effective Techniques in Teaching/Learning English

2017· article· en· W2610091800 sur OpenAlexvenueno aff
Shweta Arora, Kavita Ajay Joshi, Sonymol Koshy, Deeksha Bajpai Tewari

Notice bibliographique

RevueEnglish Language Teaching · 2017
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueTechnology-Enhanced Education Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFluencyVocabularyPsychologyActive listeningLanguage acquisitionTeaching methodMnemonicMathematics educationLinguisticsCognitive psychologyCommunication

Résumé

récupéré en direct d'OpenAlex

English being a global language has become a vital element in all walks of life. The feelers of this language have left no sphere unmarked with its significance. Despite such a colossal tide for gaining command over the language it was found that the conventional pattern of teaching English language could not reap desired results. A comprehensive and analytical study of the aforesaid problem stirred researchers to work in this area. In order to enhance the communication skills of native speakers, practical implications were incorporated to theoretical principles of English Language teaching/learning. The present paper discusses the application and results of the experimental procedure of the effective techniques employed in English teaching/learning. The various techniques used in the modus operandi of enhancing the communication skills of the students were small talk conversations, SWOT analysis, phonetics, avoiding Indianism, vocabulary building through mnemonics and root words, describing and narrating visual stimulus, listening to important speeches followed by comprehension, sharing reviews after watching motivational videos/movies, peer learning and delivering effective presentations. The learning outcomes of the aforesaid activities included better reasoning, enhanced thought process, ability to concoct innovative ideas, command over language, improved communication skills, fluency etc.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,024
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Études des sciences et des technologies
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 enseignants0,304
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,024
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,007
Tête enseignante GPT0,343
Écart entre enseignants0,336 · 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 tête enseignante, pas un consensus.

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

Citations8
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnglish Language TeachingMême sujetTechnology-Enhanced Education StudiesTravaux en français237 207