MétaCan
Menu
Retour à la cohorte
Enregistrement W3064653529 · doi:10.5539/ells.v10n3p86

The Use of Literary Texts in EFL Coursebooks: An Exploratory Study

2020· article· en· W3064653529 sur OpenAlexvenueno aff
Shaima J. Al-Saeed, Abdullah Alenezi

Notice bibliographique

RevueEnglish Language and Literature Studies · 2020
Typearticle
Langueen
DomainePsychology
ThématiqueSecond Language Acquisition and Learning
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésExploratory researchLinguisticsEnglish as a foreign languageSubject (documents)Selection (genetic algorithm)Applied linguisticsPsychologySociologyLiteratureComputer scienceArtPhilosophyLibrary scienceSocial scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

This exploratory study investigates the use of literary texts in English as a foreign language (EFL) coursebooks and examines the extent to which literature is used within the coursebooks, the types of texts used as regards authenticity and recency, the criteria for selecting and adapting the texts and the ways of improving the selection and adaptation process. Multiple articles written on this subject show that the evaluation of EFL coursebooks is a relevant and important research area in the study of language and linguistics. This study gives a survey of the extent to which literary texts are used in EFL coursebooks within institutions of higher learning in Kuwait and worldwide. In this study, 44 popular EFL coursebooks (between 2015 and 2019) within higher education institutes, including those in Kuwait, were analysed. The findings demonstrated that literary texts are not included in many of the coursebooks used nowadays and that the literary texts selected were primarily from an early period (more than a century ago). Furthermore, the results revealed that the coursebooks include a large percentage of inauthentic, ill-adapted works. Consequently, this study recommends incorporating authentic literary texts in EFL coursebooks comprising modern literature.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,010
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0050,003
Études des sciences et des technologies0,0030,002
Communication savante0,0030,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,040
Tête enseignante GPT0,327
Écart entre enseignants0,286 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnglish Language and Literature StudiesMême sujetSecond Language Acquisition and LearningTravaux en français237 207