MétaCan
Menu
Retour à la cohorte
Enregistrement W3143643382 · doi:10.32601/ejal.911262

Extensive reading practices in the Arabian Gulf region

2021· article· en· W3143643382 sur OpenAlexaff
Joel C. Meniado

Notice bibliographique

RevueEurasian Journal of Applied Linguistics · 2021
Typearticle
Langueen
DomainePsychology
ThématiqueSecond Language Acquisition and Learning
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésReading (process)CurriculumSpace (punctuation)Duration (music)Mathematics educationCommunity engagementScheme (mathematics)Political scienceLibrary scienceGeographyComputer scienceMedical educationPedagogyPublic relationsPsychologyMathematicsMedicineLiterature

Résumé

récupéré en direct d'OpenAlex

This study examined the English extensive reading (ER) programs across the Arabian Gulf region.It investigated the ER models and approaches adopted by different higher education institutions (HEIs) in the region, their ER practices and activities, and the challenges they encountered in implementing their ER programs.Utilizing qualitative research design with seventeen (17) cases from prominent colleges and universities in Saudi Arabia, United Arab Emirates, Qatar, Bahrain, Oman, and Kuwait, the study found that most English ER programs in the region adopted the Graded Readers approach with the Supervised-Modified ER model and course-component integration scheme.The study further discovered that the ER programs varied in terms of duration, number of hours and sessions, target number of words, required number of books read, engagement and enrichment activities, and assessment system.Lastly, the study also found that HEIs in the region experienced challenges in sustaining meaningful, varied, and sufficient resources, changing the negative attitudes of the stakeholders toward extensive reading, providing more sufficient space for ER in English language curriculum, and building a strong culture of reading in the community as a whole.The study concludes with recommendations on how to improve English ER implementation in the Arabian Gulf region.

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)0,003
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0010,001
Science ouverte0,0000,001
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 Opus0,046
Tête enseignante GPT0,350
Écart entre enseignants0,305 · 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

Citations11
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEurasian Journal of Applied LinguisticsMême sujetSecond Language Acquisition and LearningTravaux en français237 207