Impacts of Resource Dispersing and Resource Directing Task Dimensions on EFL Learners’ Oral Production
Notice bibliographique
Résumé
This study was primarily aimed at investigating the effects of simultaneous use of reasoning demand (resource-directing) and prior knowledge (resource-dispersing) on fluency, accuracy, and complexity of L2 oral performance. More, specifically, an attempt was made to investigate how EFL oral production could be affected by ±reasoning demand and ±prior knowledge in the local context of Iran. Thirty male and female Iranian intermediate EFL learners whose mother tongue was Persian and whose age ranged between 23 and 29 were chosen as the participants in this study, and a pretest-posttest quasi-experimental design was utilized. Assigned to two experimental conditions, participants were engaged in a narrative task in which two different wordless picture stories were chosen for data collection. Such statistical operations as t tests and MANOVA were applied to analyze the data. The results obtained from t tests revealed that in ±reasoning demand condition, both complexity and accuracy significantly improved whereas the results for fluency were not statistically significant. In addition, with regard to the ±prior knowledge group, similar results were obtained. In the end, conducting MANOVA revealed that both groups were not different in the pretest; however, utilizing the same procedure for the posttest illustrated a difference between the two groups in terms of their accuracy and complexity, but not their fluency. The results bear some implications for L2 oral production and practice as controlled by teachers and practitioners in EFL contexts.
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 | 0,007 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».