Metaphor Comprehension and Engineering texts: Implications for English for Academic Purpose (EAP) and First-year University Student Success
Notice bibliographique
Résumé
One of the challenges that students face during the transition from high school to university is mastering discipline-specific academic expectations and norms. From a language perspective, they may encounter new academic and disciplinary vocabulary, some of which will be metaphoric in nature. However, some students whose first language is not English may struggle, as metaphoric competence is not often a consideration in ESL/EAP classrooms (Littlemore & Low, 2006). Among the supports that postsecondary institutions have implemented to improve students’ chances of success are diagnostic and post-entry language assessment (Read, 2016). This mixed methods study investigated the comprehension of metaphoric language in first-year engineering reading materials using diagnostic assessment. First, a corpus of first-year engineering texts was qualitatively explored, finding personification and family/relationship metaphors. Subsequently, a metaphor comprehension test was designed using content from the corpus and administered as a reading task in an existing diagnostic assessment for first-year engineering students. Descriptive statistics, correlations, and t-test analysis of the responses revealed that English first-language (L1) students outperformed English second/additional (L2) language students. Further, those who performed poorly on the diagnostic assessment tended to also struggle with the metaphor comprehension task. Implications are discussed for EAP and first-year university classrooms. Un des défis auxquels les étudiants font face lors de la transition entre l’école secondaire et l’université est la maîtrise des attentes et des normes universitaires propres à chaque discipline. Du point de vue de la langue, il se peut qu’ils rencontrent du vocabulaire nouveau lié à l’université et à une discipline, dont une partie sera de nature métaphorique. Cependant, certains étudiants, dont la première langue n’est pas l’anglais, peuvent éprouver des difficultés, puisque la compétence métaphorique n’est pas souvent prise en considération dans les cours d’ALS/EAP (cours d’anglais académique) (Littlemore & Low, 2006). Parmi les soutiens que les institutions postsecondaires ont mis en place pour améliorer les chances de réussite des étudiants, on trouve des évaluations langagières diagnostiques après l’admission à l’université (Read, 2016). Cette étude, à l’aide de diverses méthodes, a enquêté sur la compréhension du langage métaphorique dans les ouvrages de lecture de première année d’ingénierie en utilisant une évaluation diagnostique. Tout d’abord, on a évalué la qualité d’un corpus de textes d’ingénierie de première année pour y trouver des métaphores liées à la personnification, à la famille et aux relations. Par la suite, on a conçu un test de compréhension des métaphores tirées du corpus et on l’a administré comme une tâche de lecture dans un test d’évaluation diagnostique déjà existant pour les étudiants en première année d’ingénierie. Des statistiques descriptives, des corrélations et une analyse test-t des réponses ont révélé que les étudiants dont la première langue était l’anglais (L1) avaient mieux réussi que les étudiants dont l’anglais était la seconde langue ou la langue supplémentaire (L2). De plus, ceux qui n’avaient pas obtenu de bons résultats au test diagnostique, avaient aussi eu des difficultés dans la partie de compréhension des métaphores. On discute des implications pour les cours d’anglais académique et les cours de première année d’université.
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 | 0,001 | 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) | 0,000 | 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 ».