K-12 ESL Writing Instruction: A Review of Research on Pedagogical Challenges and Strategies
Notice bibliographique
Résumé
Writing is an important early literacy skill for English as a Second Language (ESL) students’ academic success, underlining the importance of effective ESL writing instruction at the K-12 level. However, there is little empirical research on ESL writing instruction in school settings. The goal of this systematic literature review is to examine the extant empirical evidence of the challenges teachers encounter in teaching ESL writing and the strategies that can be adopted to help teachers overcome the challenges. Our search yielded 49 peer-reviewed journal articles and book chapters published between 2010-2019. A content analysis (Stan, 2009) of these materials indicated that teachers encounter the following challenges in teaching K-12 ESL writing: (a) lack of pre-service training in ESL writing, (b) lack of writing pedagogy skills, (c) lack of time, (d) lack of professional development opportunities, (e) standardized tests, and (f) unique L1 influences on L2 students’ text production. The content analysis also revealed the following strategies that can be recommended for addressing these challenges: (a) incorporating an ESL writing course into teacher education programs, (b) creating opportunities for writing pedagogy support by mentor teachers and researchers, (c) incorporating integrated skills development in the writing classroom, (d) providing students with opportunities to write more, (e) adopting explicit writing instruction, and (f) creating professional development opportunities for teachers. Based on our findings, we discuss implications and recommendations for ESL writing instruction in K-12 schools.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».