The Impact of Multilingualism on Productive Language Skills: Modelling Some Saudi Multilingual Learners
Notice bibliographique
Résumé
The issue of whether a learner in multilingual education can achieve the same level of proficiency in two or more languages other than the native language is a problematic one. This study aims at investigating the impact of learning two languages other than the native language on the learners’ speaking and writing skills. To attain this aim, the researchers collected the scores of twenty-six multilingual Saudi learners on writing and speaking tests in the academic year 2020-2021. A qualitative and quantitative mixed research design is adopted to measure the performance of multilingual learners in the two languages: English and French. The results showed that there are statistically significant differences between the scores of the Writing Test (WT) in English and French in favor of the English Writing Test because the p-value (0.012) is less than (0.05). It is attributed to the fact that the learners’ mental faculty cannot be loaded with more than two writing systems. The results also showed that there are statistically significant differences between the scores of the Speaking Test (ST) in English and French because the level of significance (0.009) is less than (α = 0.05). It is attributed to the fact that the English sound system, because of rapid historical changes, becomes much easier for Saudi students than other phonological systems. The balanced students represent 26.9% of the total group of students. The study concludes that balancing between more than two languages is a little bit difficult as one language should dominate over the others.
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 | 0,004 | 0,003 |
| 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 | 0,001 | 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 ».