The Effect of Teaching Strategies and Curiosity on Students’ Achievement in Reading Comprehension
Notice bibliographique
Résumé
The objectives of this study were to find out whether 1) students’ achievement in reading comprehension taught by using INSERT strategy was higher than those taught by using SQ3R strategy, 2) Students’ achievement in reading comprehension having high curiosity was higher than those having low curiosity, 3) there was an interaction between teaching strategies and curiosity on students’ achievement in reading comprehension. Quasi experimental research with factorial design 2 × 2 was used in this study. The total number of sample were 76 persons, with 38 students of each class (experimental and control classes). The first class was treated by using INSERT strategy and the second class was treated by using SQ3R strategy. The students were also divided into two groups based on curiosity, such as high and low curiosity. The data were collected through reading comprehension by using objective test, whereas for aptitude like curiosity, questionaire was used. The data were then analyzed by applying two-way ANOVA at the level of significance at α = 0.05. The data analysis revealed that (1) students’ achievement in reading comprehension taught by using INSERT was higher than those taught by using SQ3R, with Fobs (27.32) > Ftab (3.98), (2) students’ achievement in reading comprehension with high curiosity was higher than those students with low curiosity with Fobs (6.92) > Ftab (3.98), (3) there was an interaction between teaching strategies and students’ curiosity on students’ achievement in reading comprehension with Fobs (15.43) > Ftab (3.98). Tuckey test was then applied to verify the interaction between each sample comparison.
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 | 0,005 | 0,003 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,001 | 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) | 0,000 | 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 ».