Assessment of Optimal Pedagogical Factors for Canadian ESL Learners’ Reading Literacy Through Artificial Intelligence Algorithms
Notice bibliographique
Résumé
The current study explored the effective pedagogical factors that distinguish high-achieving from low-achieving ESL (English as a second language) primary school learners in reading literacy in Canada. In total, 203 samples (167 high-achieving learners and 36 low-achieving learners from 128 primary schools) in the 4th grade were drawn from the public database of Progress in International Reading Literacy Study (PIRLS) 2016, which is the benchmark for large-scale assessments of reading literacy targeting fourth-grade students. For the first time in the ESL-related research, this study applied an artificial intelligence approach, support vector machine (SVM), to concurrently analyze 41 pedagogical factors associated with reading materials, classroom organization, reading strategies, in-class reading activities and post-reading activities. The overall 41 factors collectively distinguished the high-achieving readers from the low-achieving readers with a high accuracy score (0.793) via SVM. Then, these 41 factors were ranked according to their contribution to the SVM model through SVM-based recursive feature elimination (SVM-RFE). Eventually, an optimal factor set was selected by the SVM-RFE cross validation, which contained 10 effective pedagogical factors centered on reading materials, reading strategies and in-class reading activities for fourth-grade high-achieving ESL learners in reading literacy. Suggestions based on solid data analysis would facilitate infrastructural and pedagogical improvements in ESL reading education.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».