MétaCan
Menu
Retour à la cohorte
Enregistrement W3084045148 · doi:10.3390/su12187359

An Ecological Perspective on University Students’ Sustainable Language Learning during the Transition from High School to University in China

2020· article· en· W3084045148 sur OpenAlexaff
Chen Li, Shahid Abrar‐ul‐Hassan, Fei Gao

Notice bibliographique

RevueSustainability · 2020
Typearticle
Langueen
DomainePsychology
ThématiqueInnovative Teaching and Learning Methods
Établissements canadiensYorkville University
Organismes subventionnairesnon disponible
Mots-clésCurriculumThematic analysisMathematics educationPerspective (graphical)ChinaPromotion (chess)Sustainable developmentPedagogySociologyPsychologyEcologyGeographyQualitative researchPolitical scienceComputer scienceSocial science

Résumé

récupéré en direct d'OpenAlex

Transitioning from high school to university presents a significant challenge for many students on multiple fronts, including language learning. This mixed-method study draws on an ecological perspective to investigate students’ English learning experiences during the transition from high school to university in China, focusing on teaching content, teaching approach, assessment and feedback, and self-regulated learning. Data is collected from six universities at three different academic levels in China, and analyzed using both statistical and thematic analysis. The research finds that there are differences between high school and university English language education in the above-mentioned four areas, and students’ ecopotentials are of critical importance for their adaptation to university English learning. These findings suggest the necessity of the continuity of teaching content, the promotion of individualized curricula, and the cultivation of self-regulated learning capacities to support students’ sustainable English learning during the transition from high school to university.

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)0,002
score de la tête « metaresearch » (Gemma)0,001
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,041
Score d'incertitude au seuil0,081

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0040,003
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,322
Écart entre enseignants0,313 · 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

Citations11
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSustainabilityMême sujetInnovative Teaching and Learning MethodsTravaux en français237 207