The Effects of Bubble Map and Tree Map Method in CEFR Reading Comprehension
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The effective method of teaching CEFR reading comprehension makes students to have better exposure and gain confidence in Malaysian secondary schools. The ultimate goal of this study is to investigate whether the use of Bubble Map and Tree Map methods enhances students’ learning of Multiple-Choice Questions (MCQ) in the CEFR reading comprehension. This quantitative study employed a quasi-experimental design. The sample of this study consisted of 105 Form One students (13 years old) from three different schools (school A, B and C) from Petaling Jaya, Selangor. The sample were chosen as intact groups. The Experimental Group 1 (EG1) from school A was taught using Bubble Map, Experimental Group 2 (EG2) from school B was taught using Tree Map and the Control Group (CG) from school C was taught using conventional method. The pre-test and post-test were used as instruments to collect the data for this study. The quantitative data was analyzed using SPSS program for Windows version 26. The MANCOVA test and Tukey HSD were used to analyze the data. The findings demonstrated that EG1 (using Bubble Map) significantly outperformed EG2 and CG in their CEFR reading comprehension. The results also indicated that EG2 (using Tree Map) performed significantly better than CG (using conventional method). This study has essential pedagogical implication because the Bubble Map and Tree Map methods had positive effects in enhancing students’ CEFR reading comprehension. As such, teachers can use Bubble Map and Tree Map methods as an alternative method to teach CEFR reading comprehension in the ESL classroom.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 découle