A Systematic Literature Review on Enhancing Critical Thinking Skills in EFL Reading
Notice bibliographique
Résumé
Critical thinking (CT) is crucial in teaching reading in English as a Foreign Language (EFL). Nonetheless, there remains a dearth of comprehensive research and insight into applying CT taxonomies, successful pedagogical practices, and teacher challenges in improving CT skills in EFL reading. This systematic literature review examines effective CT taxonomies, pedagogical strategies, and challenges in improving CT skills within EFL reading instruction. It synthesizes findings from 11 empirical studies published between 2014 and 2024, selected from Scopus and Web of Science databases using the PRISMA framework along with predefined inclusion and exclusion criteria. The findings reveal that Bloom’s taxonomy is the predominant framework alongside three significant teaching approaches in cultivating CT skills: traditional, constructivist, and technology-enhanced. Traditional approaches typically rely on teacher-centred instruction, including grammar teaching, text analysis, and comprehension exercises, which prioritize factual recall rather than fostering deep analytical thinking. The constructivist approach includes project-based learning, survey-question-read-recite-review, question-answer-relationships, and the exposure-exploration-evaluation model. The technology-enhanced approach, including online classes, flipped classroom teaching, and asynchronous web-based collaboration, has effectively cultivated CT skills. Despite the increasing integration of CT-based instructional frameworks and strategies, challenges remain in educators’ pedagogical competence, instructional methodologies, teaching resources, assessment instruments, and professional development. This study points out that it takes more research to create context-specific CT pedagogical models, enhance teacher training programs, and refine assessment frameworks to successfully integrate CT skills into EFL reading instruction.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,015 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».