An Investigation of the Relationship Between University Prep Class Students’ Intelligence Types and Their Success of Foreign Language Learning
Notice bibliographique
Résumé
In the 21st century, when foreign language learning has become almost compulsory, everyone is trying to fulfill thisobligation. In fact, foreign language has become a very important thing not only for the people who work onlinguistic sciences but also for politicians, academicians, and even sportsmen. In this context, the main purpose is tocompare the English achievement levels of students with physical/kinesthetic intelligence to those with otherintelligence areas. 198 males, 66 females, in total 267 students, who study at Karabuk University, School of ForeignLanguages during the summer term of 2017-2018, have participated in this study. “Personal Information Form”developed by researchers; “Multiple Intelligence Observation Form” from the book “Multiple IntelligenceApplications” (2003) by Selçuk, Kayılı, Okut; Karabük University Preparatory Summer School foreign languagesuccess averages for determining the English achievement levels of the students, have been used as data collectiontools. Kolmogorov Smirnov, Mann-Whitney U, Kruskal Wallis, and Spearman Correlation tests have been used toanalyze the data. Consequently, there are no significant differences between the foreign language scores of thestudents according to the variables of doing sports with a license, gender, age, and licensed sports branches. However,there is a significant difference between the foreign language scores of the students according to the variable ofexercising regularly (p=0.04<0.05). There is no statistically significant relationship between students' multipleintelligences and foreign language scores.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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 ».