Translanguaging in the Saudi EMI Classroom: When University Instructors Talk
Notice bibliographique
Résumé
The past few decades have witnessed a growing interest in using English as a Medium of Instruction (EMI), especially in higher education. Although the English language has rapidly shifted from being taught as a foreign language to becoming a medium of instruction, empirical research in this area is still limited in the context of the Middle East and North Africa (MENA), especially in Saudi Arabia. Therefore, the present case study explores translanguaging in the EMI classroom. The study used semi-structured interviews to investigate teachers’ perceptions and practices regarding translanguaging, the rationale behind such practices, and the pedagogical effect of implementing translanguaging practices. The data was collected from five university professors majoring in medicine, physics, electrical engineering, and computer science using purposive sampling. It was analyzed using thematic qualitative analysis. The findings show that the participants generally have a positive attitude toward translanguaging, as it was triggered by students’ limited language proficiency and the contextual and psychological situation of the students in the classroom. The results also indicate that it facilitates content comprehension and aids in raising student engagement and reducing language anxiety. Consequently, adopting translanguaging strategies in EMI classrooms with caution is recommended to provide a wealth of advantages and chances for students’ linguistic growth, engagement, and academic success. Professional development programs and assessments of students’ needs are necessary to ensure the prudent use of translanguaging in class and improve EMI classrooms.
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 | 0,001 | 0,000 |
| 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) | 0,001 | 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 ».