Assessment of Optimal Pedagogical Factors for Canadian ESL Learners’ Reading Literacy Through Artificial Intelligence Algorithms
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,018 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle