Effects of Electronic Reading Environments’ Structure on L2 Reading Comprehension
Notice bibliographique
Résumé
This study examines the effects of an electronic reading environment’s structure on second language (L2) reading comprehension. In particular, this study explores whether clarifying the underlying structure of an electronic text, along with the ways in which its units or nodes are organized and interrelated results in better comprehension as well as whether L2 reading proficiency affects the comprehension of electronic text. In this study, 40 English as a second language (ESL) learners, grouped into proficient and less-proficient groups based on their scores on the Test of English as a Foreign Language’s (TOEFL’s) Reading section, were asked to read two electronic texts using computerized programs classified as either “well structured” or “less structured.” To assess the efficacy of each type of reading environment, two tests—a multiple-choice test and a mapping of main ideas and details (MOMID) test—were developed and administered to the participants after they read each text. The results of these tests were analyzed using a paired-samples t-test and a two-way (proficiency level by computerized reading program) mixed-model analysis of variance (ANOVA). The findings revealed that well-structured electronic texts can aid ESL readers in developing a more coherent mental representation of the electronic texts’ content, thereby increasing their reading comprehension. Furthermore, well-structured electronic texts are more helpful for less-proficient readers than for more-proficient readers. These findings have significant pedagogical and technological implications for L2 reading instructors and instructional designers.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».