From Pedagogy to Andragogy in Post Covid-19 ESP Courses: A Customized Blended Learning Model for English in Medicine at a Saudi University
Notice bibliographique
Résumé
Teaching an ESP course is significantly challenging due to its practical, contextual, and communicative nature as a “language in context” and a prerequisite for acquiring professional skills and job-related functions that require real life learning situations to imitate specific professional settings and accentuates practicing the essential English language skills that students would primarily employ in their future fields. This paper presents an andragogy-based customized blended learning model for English in Medicine course introduced to students of the preparatory year program during COVID-19 pandemic. Integrating andragogical principles, the course identifies students’ access to multimodal tools for required English Language skills and medical vocabulary, including a virtual listening lab for augmenting listening skills, a virtual medical library for boosting online medical reading, a virtual hospital of different doctor-patient interaction scenarios for practicing the use of language in context, course community blogs and audio discussion forums for enhancing writing and speaking skills, an online medical dictionary for understanding and translating medical terminologies and integrated Kahoot games for testing field related knowledge. A mixed methodology of pre-test and post-test research design along with a learning satisfaction survey were used to evaluate the change in variables which were students’ English Language proficiency, cognitive competence, learning motivation, and learning styles. The study findings establish the effectivity of the shift from pedagogic to andragogic strategies in the course. It supports integrating pedagogic constructive theories along with adult learning theories and blended education theories to ensure productive teaching and learning of ESP courses in accordance with the constrictions of quality modern education.
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 | 0,001 |
| 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 | 0,002 | 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) | 0,004 | 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 ».