Decoding Success: Investigating the Impact of Trait and State Strategies on Reading Test Performance among Thai High School Learners
Notice bibliographique
Résumé
The field of second language (L2) acquisition has increasingly emphasized learner strategies, cognitive and metacognitive methods, as crucial factors in individual differences and reading comprehension. Grounded in Bachman and Palmer’s communicative language ability (CLA) model, this study investigates how strategic competence in cognitive and metacognitive strategies impacts reading comprehension among Thai high school students. By employing quantitative methods, including structural equation modeling (SEM), the study explores how trait strategies (perceived strategic knowledge) and state strategies (actual strategy use) influence reading test performance. The research involved 685 students from a public high school who completed Likert scale questionnaires about their strategy use before and after comprehension tests. Results reveal that state strategies are employed more frequently than trait strategies and show a significant positive correlation with reading performance. While cognitive strategies like comprehension and memory are critical for understanding text content, metacognitive strategies like planning and monitoring improve learners’ ability to regulate their strategic application. However, evaluation strategies were found to be less frequently used. The study’s findings advocate for balanced training in both cognitive and metacognitive strategies to bridge the gap between strategic knowledge and effective application, thereby empowering learners to become more autonomous and proficient readers. Further research should investigate strategic competence in different cultural contexts, employ longitudinal studies, and expand the research to other language skills to gain a comprehensive understanding of L2 learners’ strategies.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».