Extensive Reading: A Multifaceted Panacea for EFL Students at KKU
Notice bibliographique
Résumé
This research aims to assess the importance of Extensive Reading (ER) in developing reading comprehension, vocabulary development, and speaking fluency among English as a Foreign Language (EFL) students at King Khalid University (KKU). Most EFL students appear to be under pressure and confront anxiety while acquiring English language competency in basic language skills. According to MacIntyre and Gardner (1994, p. 284), language anxiety is the "feeling of tension and apprehension" with language learning, including listening, speaking, and language comprehension. One thought of making language learning an enjoyable activity is to make language acquisition a natural process instead of a forced and external one. According to Day & Bamford (2002), the goal of ER is to help students become fluent, independent, and confident readers. ER encourages L2 learners to explore the English language independently, especially in an EFL environment. ER inherently encourages language acquisition by allowing students to read extensively in a relaxed and natural environment, thus developing the basic nuances of the language effortlessly. This approach is also referred as uninterrupted sustained silent reading (USSR). Two distinct groups of students, namely experimental and control groups, will participate in this study. The results will help measure the effect of ER on students’ reading comprehension and speaking fluency. The experimental group will practice effortless ER for almost 12 weeks. Students' performance in the assigned reading task, vocabulary development, and speaking proficiency will be analyzed using SPSS. Finally, the researchers will suggest efficient measures to implement ER as a teaching methodology at the English department, and will also encourage implementation of an ER club at the faculty of languages and translation, KKU.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».