The Effect of Vocabulary Self -Selection Strategy and Input Enhancement Strategy on the Vocabulary Knowledge of Iranian EFL Learners
Notice bibliographique
Résumé
The present study was designed to investigate empirically the effect of Vocabulary Self -Selection strategy and Input Enhancement strategy on the vocabulary knowledge of Iranian EFL Learners. After taking a diagnostic pretest, both experimental groups enrolled in two classes. Learners who practiced Vocabulary Self-Selection were allowed to self-select each word from the text they wanted to, but the learners who practiced Input Enhancement strategy one session later than the other group, were just allowed to choose the words among the textually enhanced ones which were just limited to the finalized words of the Vocabulary Self-Selection group. After about three months of treatment, seen and unseen posttests were administered. The results revealed positive effects of both strategies on the vocabulary knowledge of the Iranian EFL learners. Thus it could be safely concluded that Vocabulary Self-Selection and Input Enhancement strategy were quite effective in the development of vocabulary knowledge. The performance of the two groups of Iranian EFL learners on the achievement posttest, as statistically shown, indicates that the Vocabulary Self-Selection group could outperform the Input Enhancement group on the vocabulary knowledge. The results revealed positive effects of both strategies on the vocabulary knowledge of the Iranian EFL learners. It was finally concluded that Vocabulary Self-Selection group outperformed those in Input Enhancement group. Thus it could be concluded that Iranian EFL learners who practiced Vocabulary Self-Selection strategy outperformed those who practiced Input Enhancement. Vocabulary Self-Selection strategy fostered vocabulary 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 | 0,002 | 0,001 |
| 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) | 0,001 | 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 ».