Harnessing Text Structure Strategy for Reading Expository and Medical Texts among EFL College Students
Notice bibliographique
Résumé
This classroom-based study was conducted in Kuwait to investigate the impact of text structure strategy (TSS) instruction on the ways in which 54 English as a foreign language (EFL) college students approached expository and medical texts. Data collection involved two surveys, fieldnotes, class observations, and group interviews. A system of codes and categories was developed from the recurrent patterns and commonalities in the interview data and classroom observations. Two surveys were distributed in 2 intervals, 8 weeks apart, which focused on identifying text structure strategies such as introducing the concept of text structures, asking guided questions, identifying signaling words, and using graphic organizers, as well as the extent to which the participants applied text structure strategies to approach expository medical texts. Data analysis involved using the Microsoft Excel program to generate two tables and descriptive statistics including the means, standard deviations and percentages of the results of the two surveys. Findings indicated that the participants benefited from TSS instruction in strategies that involved group discussions rather than strategies that relied on individual class work. Moreover, a large percentage of the participants applied most of what they learned in analyzing expository texts into reading medical texts. Implications were drawn for EFL teachers to conduct action research studies on text structure strategy for EFL learners and to apply TSS instruction in class in group and pair work which are suitable for EFL leaners. Finally, EFL researchers were invited to conduct classroom-based studies of TSS instruction.
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) | 0,013 | 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 ».