Student Preferences and Expectations: Some Practical Tips for Designers of English Enhancement Programmes
Notice bibliographique
Résumé
As one of the essential skills for success in work and studies, English communication is often made a key component in the GE curriculum of tertiary study programmes. In addition to the provision of required English proficiency courses, many tertiary institutions have established English centres of some description to promote English learning on campus. Yet from students’ perspective, what kinds of programmes and activities should be offered, and how they feel about these initiatives is not very widely discussed in the existing literature.This paper aims to address these questions with practical experiences gained from a project to establish an English language enhancement centre by one self-financing tertiary institution in Hong Kong. Funded by the Quality Enhancement Support Scheme (QESS), the centre, titled the Centre for Academic and Professional Language Enhancement (CAPLE), was set up in March 2016. Cognizant of the benefits of life-wide learning, independent learning and collaborative peer learning, CAPLE offers a series of workshops and various kinds of English and culture learning activities that adopt these pedagogical approaches.Centre usage figures and user feedback were continuously collected for evaluative purposes. Data collected through student diaries, online surveys, usage records of the online programmes and other resources and a focus group interview showed varying levels of popularity of different types of workshops/activities, suggesting there is a need for programme designers to have a more realistic view about students’ actual English learning needs and learning motivation. Recommendations are made accordingly for more economical use of resources.
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 | 0,005 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».