Turkish High School Students’ English Demotivation and Their Seeking for Remotivation: A Mixed Method Research
Notice bibliographique
Résumé
Since Gardner introduced the importance of motivation on Language 2 learning, the concept has been accompanied with three more relevant concepts; amotivation, demotivation and remotivation. This paper mainly focused on high school students’ de-motivation and remotivation in English. De-motivation is a set of factors which decreases the motivation level of the learners and re-motivation is an attempt to overcome those de-motivating factors. English learning-teaching process has been a problematic issue for a long time in Turkey. While there are researches focusing on the de-motivating factors in many countries, such a research for Turkish high school students has not been found. This research aimed to fill this research gap and to determine the English demotivation level of the students and the demotivating factors for them and to put forth suggestions to re-motivate the learners. An explanatory design was used as a mixed method research design. The sample was constituted of 579 students. Research results revealed that demotivation level of high school students in English is quite high, their motivation decreases most in high school period. Lack of interest in English, attitude of course teacher, classroom environment and course materials are among demotivating factors. In addition, the students request that, for remotivation, courses should be entertaining, technological tools should be utilized more and frequency of speaking activities should be increased.
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 | 0,009 | 0,024 |
| 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 | 0,005 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| 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 ».