Exploring the Use and Challenges of Phrasal Verbs among EFL Arabic Medical Students
Notice bibliographique
Résumé
This quantitative study investigates the factors that affect medical students from Saudi Arabia in their study of English as a foreign language. The study also explores the understanding and usage of frequent medical phrasal verbs among Arabic-speaking medical students. Through an online survey, data were gathered from 289 Saudi medical students studying English as a foreign language at various universities across Saudi Arabia. For data collection, the researcher developed a survey that measured the cognition of phrasal verbs and the students’ perceptions of the challenges they faced, the support their institutions provided, and the perception of their ability to use phrasal verbs. Findings revealed a strong positive correlation between support and proficiency (r = 0.578), whereas a negative correlation was found between challenges and proficiency (r = 0.193). This means that as support for learning English increased, perceived hurdles decreased. Findings also suggested that increased levels of support contributed to increased proficiency. Results indicated that years of studying English functioned as a moderator, improving spoken English. This study highlighted the significance of different strategies, including targeted and contextually relevant strategies, which improve the teaching of phrasal verbs to Arabic-speaking medical students. The study’s results focused on the need to utilize immersive, practical, and interactive methods in course syllabi to motivate students to use English in authentic contexts, such as reading medical documents, listening to medical discussions, and engaging in social networking platforms. These activities can significantly enhance the understanding and usage of phrasal verbs.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».