Explicit Teaching of Vocabulary through Word-knowledge Strategies: An Experimental Study
Notice bibliographique
Résumé
Vocabulary knowledge is crucial for language acquisition, as unfamiliar words encountered during reading can impede comprehension. Many learners, particularly those who live in settings where their only opportunity to use the language is in the classroom struggle with this area of language learning. Teaching effective word-knowledge strategies, such as using context and analysing word parts, can empower students to learn new vocabulary autonomously and efficiently.This study investigates the impact of explicit vocabulary instruction on 44 elementary-level Omani learners of English at the University of Technology and Applied Sciences-Ibra. The participants, aged 18 to 21, were divided into two groups of 22 students each, selected randomly from eight groups in the foundation programme.A quasi-experimental design was employed, with an independent variable focusing on intentional vocabulary teaching and a dependent variable measuring vocabulary knowledge. Both groups underwent a pre-test to ensure equivalence, followed by two months of instruction. The experimental group received explicit vocabulary instruction, while the control group did not receive specific vocabulary learning guidance. At the end of the treatment period, both groups took a post-test to evaluate vocabulary knowledge improvement.The analysis of pre-test and post-test scores revealed significant differences between the control and experimental groups, favouring the latter and the correlational analysis reveals the need for teaching vocabulary in contexts. The study concluded that explicit vocabulary instruction positively impacts students' vocabulary size and overall knowledge, highlighting the effectiveness of intentional teaching strategies in enhancing vocabulary acquisition.
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 | 0,000 | 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) | 0,001 | 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 ».