Technical Oral Presentations (TOP) in EFL Engineering Education: A Systematic Literature Review on Workplace Communication Preparedness
Notice bibliographique
Résumé
Workplace communication is a critical skill for engineering graduates, particularly those in English as a Foreign Language (EFL) contexts, where language proficiency can impact career success. This systematic literature review examines the effectiveness of Technical Oral Presentation (TOP) in enhancing workplace communication skills among EFL engineering undergraduates. The review synthesises recent studies (2015-2024) on TOP, focusing on its role in improving technical articulation, fluency, audience engagement, and professional presentation skills. There were a total of studies (n = 60) that were analysed. The analysis indicates that TOP fosters clarity in delivering complex engineering concepts, enhances confidence in spoken English, and develops essential soft skills such as teamwork and adaptability. Additionally, structured feedback and repeated practice contribute to the reduction of language-related psychological factors such as anxiety, lack of self-confidence and fear of making mistakes and speaking in public. However, challenges such as limited exposure to authentic workplace scenarios and language communication barriers persist. The study highlights the need for pedagogical frameworks integrating industry-relevant communication strategies with engineering curricula. This review concludes that while TOP is a valuable tool in preparing EFL engineering students for professional environments, its effectiveness depends on structured implementation, targeted feedback, and alignment with real-world communication demands. Future research should explore innovative approaches, such as digital tools and immersive learning, to further enhance TOP’s impact.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».