MétaCan
Menu
Retour à la cohorte
Enregistrement W3091726675 · doi:10.5539/elt.v13n10p139

Prediction Skills, Reading Comprehension and Learning Achievement in Vihiga County Kenya. Addressing Constraints and Prospects

2020· article· en· W3091726675 sur OpenAlexvenueno aff
Mary Susan Anyiendah, Paul Amolloh Odundo, Agnes Kibuyi

Notice bibliographique

RevueEnglish Language Teaching · 2020
Typearticle
Langueen
DomaineComputer Science
ThématiqueText Readability and Simplification
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésReading comprehensionMathematics educationPsychologyComprehensionReading (process)GrammarControl (management)CurriculumPedagogyComputer scienceLinguisticsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Prediction skill may be used in reading comprehension passages as encapsulated in interactive approach instruction. Prediction skills assist learners to decode the meaning of comprehension passages by constructing guesses about the contents of texts to be read in comprehension passages. Learners in Vihiga County register low achievement in English language examinations than peers in neighbouring counties over the years. The performance is much weaker in comprehension passages than grammar sections. Although there are low grades, the nexus between use of prediction skills and learners’ achievement in reading comprehension passages has not been assessed. This study applied the Solomon Four Non-Equivalent Group Design to obtain primary data from 279 primary school learners and 8 teachers in 2017. Multiple linear regression used generated two models, one for the experimental group (Model 1) and one for the control group (Model 2). Findings indicate that the influence of prediction skills on learner achievement in reading comprehension passages was significant in experimental, but insignificant in the control groups. However, influence was stronger in the experimental than in the control groups, suggesting that training English language teachers on correct application of prediction skills improves learner achievement in reading comprehension passages. The study recommends need to: sensitise teachers on textbook usage, while supplementing with improvised materials; guide learners through titles; as well as update teacher training curriculum by integrating inter alia, emerging instructional methods embracing Information and Communication Technology and entrenching innovation in resource mobilization and use.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,066
Score d'incertitude au seuil0,130

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,016
Tête enseignante GPT0,244
Écart entre enseignants0,228 · 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'étudeObservationnel
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

Citations3
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnglish Language TeachingMême sujetText Readability and SimplificationTravaux en français237 207