The Relationship Between Multiple Intelligences and Language Learning Strategies and Gender
Notice bibliographique
Résumé
This study set out with the aim of assessing whether Multiple Intelligences profiles of Iranian students would exert any influence on their use of language learning strategies as important determining factors in the language learning. Additionally, we explored the role of gender and different proficiency levels on EFL learners’ multiple intelligences. A total number of 303 EFL learners, 164 males and 139 females participated in this study, 112 were Elementary, 92 were Intermediate students and 99 were advanced level, within the age range of 12 to 33 at Jahade Daneshgahi of Tabriz. The instruments used to elicit information for this study were MIDAS and the Strategy Inventory for Language Learning (SILL) Questionnaire. Initially, we homogenized the English proficiency of the participants, by administering Nelson English Language Tests. Results showed a significant relationship between the variables of multiple intelligences (MI) and Strategy Inventory of Language Learning (SIL). Results of multivariate tests showed a significant positive difference between the MI scores and different proficiency levels but no significant difference in MI scores across genders. a significant difference was found in musical intelligence of participants at different proficiency levels. In terms of implications of the study it is suggested that before choosing any teaching materials, educators should conduct needs analysis and test in order to find out the MI profile of the students and to avoid having any mismatch between selected topics and the students’ needs.
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 | 0,001 | 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) | 0,000 | 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 ».