The Development of English Grammar Learning Skills by Using Explicit Teaching Method of University Students: The Case Study of Thai University Students
Notice bibliographique
Résumé
In Thailand, the traditional teaching approach used for English language classes has been to explicitly teach English grammar, but in recent years the strategy has begun to shift towards the implicit teaching of language via communicative techniques. Within academic circles, there has been minimal agreement on the suitability of approaches used. Today, the question of whether it is better to use an implicit or explicit approach remains open to debate. In this study, an explicit approach is used to teach English grammar to learners in the English Program at the Faculty of Education, Lampang Rajabhat University. These learners have experienced implicit teaching during their own learning of English grammar, but upon graduation will have to use explicit methods when they become teachers of English grammar themselves. Initially, it can be observed that their knowledge of English grammar is weak. Also, they may lack the pedagogical skills to teach English grammar explicitly. The target group in this study was 74 Year 1 students. This study involved multiple steps, namely content analysis, a pre-test, explicit English grammar tutoring, a post-test and data analysis. Test results were statistically analysed for percentages, means and standard deviations. Pre- and post-test scores revealed a difference of 360, or 12.16%, with the mean of 4.87 (SD = 9.96). It can be seen that English grammar learning skills of the target group can be developed by using the explicit teaching method and this can support pre-service English teachers to teach grammar more effectively.
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 | 0,000 |
| 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 | 0,000 | 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 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 ».