Use of Communication Strategies in Oral Interactions: (In)effectiveness of CLT Approach in L2 Teaching
Notice bibliographique
Résumé
Communication strategies (CS) have been generally used to overcome oral communication problems in delivering the intended messages. While studies on CS mostly involved simulated communication contexts, the current study deviates from the past studies on CS by identifying the types of CS employed by candidates of real job interviews and examining the effectiveness of Communicative Language Teaching (CLT) approach adopted in Malaysian schools in English language teaching. The data were collected from observations made on oral interactions between candidates and the panelists of academic staff recruitment interviews at one public university in the east coast of Malaysia. The recorded oral data were imported into NVivo software (version 12) before the use of CS by the candidates were categorised based on CS taxonomies proposed by Dörnyei and Scott, and Clennell. The results revealed that the candidates employed various types of CS with fillers and self-repetitions being the most frequently employed strategies while the two least employed strategies were asking for clarification and guessing. While the results showed extensive use of CS in the interactions, the high frequency use of fillers as a time-gaining strategy might reflect that the speakers lacked competency in conveying their messages. Additionally, too much use of fillers might not be favoured by the interlocutors since the strategy could occur unpredictably. The findings indicate that CLT approach has not been effective in enhancing English language competency among L2 learners. Considering this, intervention measures to improve the current situation by looking at the root problems in the implementation of CLT are needed if the government decides to retain this teaching approach in Malaysian schools.
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 | 0,004 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| 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 ».