English-Medium Instruction and Content Learning in Freshman Year: An Investigation of a Saudi University Students’ Challenges and Learning Strategies
Notice bibliographique
Résumé
The present study investigates the challenges that science freshmen perceive in English-medium instruction at Prince Sattam bin Abdelaziz University in terms of language and learning as well as the frequency of relevant learning strategies employed by students. A questionnaire was used to collect data from 376 students enrolled in the First Year Program at Prince Sattam Bin Abdelaziz University, considering their gender, scientific tracks, and previous English exposure. Results reveals that females were less comfortable communicating with professionals in their classrooms. Simultaneously, freshmen females perceive greater challenges in content comprehension, knowledge application, and learning adaptability. Therefore, they relied on learning strategies supported by L1 more frequently than males. Comparison of groups based on tracks shows that engineering students have more difficulty communicating with professionals than medical students. Furthermore, freshmen with extensive prior English exposure had fewer difficulties communicating with their peers and professionals. They perceived fewer difficulties with content comprehension, knowledge application, and learning adaptability. In contrast, freshmen with little prior exposure to English relied more on L1-related learning strategies. The findings show significant differences in perceiving EMI-related challenges and adopted learning strategies based on the relevant variables. They suggest that the shift from high school Arabic-medium education to English-medium instruction in higher education requires careful institutional and individual planning.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».