Question Asking During Reading Comprehension Instruction: A Corpus Study of How Question Type Influences the Linguistic Complexity of Primary School Students’ Responses
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
Abstract The authors examined teachers’ ( N = 19) use of different question types during small‐group comprehension instruction for 6–11‐year‐olds ( N = 115). The authors tagged the corpus of 40 hours of guided reading sessions to enable computer‐based searches for syntactic forms of questions. Teachers frequently asked high‐challenge wh ‐ word questions (e.g., “How does that fit in with what you just read?”), and this was more pronounced in schools located in regions of low socioeconomic status, a finding associated with recency of completion of teacher training. Students’ responses were more linguistically complex when teacher questions comprised a high frequency of high‐challenge questions, particularly wh ‐ word adverb questions (predominantly why and how ). These findings applied across the wide age and ability range of the sample, indicating that high‐challenge questions are effective in small‐group comprehension instruction for students in different age groups and at various levels of reading ability. The authors conclude that teachers benefit from being informed about the effect of various syntactic forms of questions, particularly the nuances of wh ‐ word questions. The findings also highlight the advantages of using corpus search methods to examine the influence of teacher question‐asking strategies during classroom interactions.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 découle