The Effectiveness of Mind Mapping Techniques in Vocabulary Learning: A Mixed-Methods Study
Notice bibliographique
Résumé
The development of a strong vocabulary is critical in learning any new language, yet EFL learners often struggle in order to acquire new vocabulary due to inadequate exposure outside the classroom. The current mixed-method study examines the influence of direct vocabulary teaching using mind mapping techniques among foundation students aged 18-19 at the University of Technology and Applied Sciences-Ibra in Oman.Forty students were involved in a quasi-experimental study and divided into an experimental group, who were instructed in vocabulary using mind mapping techniques integrated with reading texts, and a control group, who were taught through traditional instruction. Pre-tests and post-tests were used to measure improvements in vocabulary learning during a four- week intervention. Statistical analysis demonstrated significant improvements in vocabulary size and comprehension among the experimental group compared with the control group.The findings from the paired sample t-test revealed that mind mapping significantly improved vocabulary learning (t = 7.245, p < 0.001). Although the control group’s average scores showed minimal improvement (rising from 11.15 to 12.55), the experimental group’s average scores increased from 11.85 to 15.80. The mean difference of 3.950 for the experimental group provides further evidence of mind mapping's efficacy as a vocabulary-learning tool. Furthermore, qualitative phenomenological interview evidence with experimental group respondents indicated that there was increased student engagement, improved retention, and a positive attitude towards vocabulary learning. The respondents reported that the use of mind mapping assisted the learners in paying more attention to word relationships, so that they were able to retain and use new words more effectively. These findings suggest that using mind mapping as a vocabulary acquisition strategy is effective with EFL learners and may support its broader implementation in language pedagogy.
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 | 0,013 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».