Exploring Challenges of Dyslexic Students Learning English as a Second Language: Reading Drama Script
Notice bibliographique
Résumé
This study aimed to explore the reading challenges faced by dyslexic students learning English as a second language and interventions to support their reading skills. A mixed research design (both qualitative and quantitative) was used. Data was collected through a questionnaire, semi-structured interview and observation. A judgmental sampling technique was employed to select dyslexic students and teachers at two public schools in Tiruvallur district. Twenty-six students with English dyslexia and two teachers were selected for this study. Data were collected through the use of schedule questionnaire, interview and classroom observation. Statistical package for social Science Software version 26 was employed to analyze quantitative data, whereas the thematic analysis method was used for interview and classroom observation data analysis. The findings of this study showed that students encounter difficulties in phonological awareness, decoding words, recognizing patterns and comprehension. Besides, the study revealed that employing a multisensory and structured approach to teaching, incorporating visual and auditory, are crucial strategies for enhancing students English reading skills. The research also explored that explicit reading instruction and assistive technology significantly improve students’ reading drama script skills. The findings also identified that early identification, targeted instruction and individualized support for dyslexic students are significant elements in progressing their English reading skills. However, the study also acknowledges the limitations and suggests future researchers investigate the impact of parental involvement on dyslexic students’ English reading drama script skills.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».