The Effects of Data-Driven Learning Approach in a Content and Language Integration Learning Classroom: A Study of Economics Subject in a Thai High School
Notice bibliographique
Résumé
There are several studies that teach specific content and the English language at the same time using the CLIL approach, but none of them reflect the students' linguistic ability in the given subject throughout the world, especially in Thailand. The Corpus-Based CLIL will be an efficient combination approach that can improve Thai high school students' comprehension of both English and specific content with an emphasis on Economics, as well as their linguistic ability. The purpose of this study is to (1) compare the effects of the Corpus-based CLIL method on the Economics subject and English language learning, and (2) examine how Thai high school students use CLIL and DDL learning processes while dealing with the Corpus-based CLIL method. This study included 40 high school students from the demonstration school. A mixed-methods study was conducted. The students’ reflections, and the teacher's field notes observation were utilized to gather the qualitative data, while the pre-test and post-test were designed to determine the quantitative findings. The study revealed that students using the Corpus-based CLIL method could greatly enhance their understanding of both English and Economics, as well as linguistic features like syntax and collocation in the Economics. Additionally, students could improve their English, Economics, and DDL learning processes. These findings suggest that the Corpus-based CLIL method can effectively improve students' Economics and language abilities simultaneously.
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 | 0,002 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».