USING HAUSA LANGUAGE IN THE ASSESSMENT OF STUDENTS: A CASE STUDY OF HIGHER INSTITUTION IN BAUCHI, NIGERIA<u> </u><u></u>
Notice bibliographique
Résumé
Nowadays, use of native languages such as Hausa in teaching and learning is becoming an order of the day. This study utilized Hausa language to assess students of higher institution in Bauchi using a quasi-experimental approach involving 21 (test) students and 17 (control) participants. The participants were assed using Montreal Cognitive Assessment in Hausa language. The study participants included; 55.3% males and 43.7% females; 65.8% pre-100 level students and 34.2% 100 level students; 68.4% Hausa, 7.9% Yoruba, and 23.7% Fulani; 92.1% Muslims and 7.9% Christians. This research investigates the impact of language on academic performance, comparing students assessed in Hausa language and English language. The results show that students assessed in Hausa language scored higher (mean score: 26.57+5.670) compared to those assessed in English language (mean score: 24.157+2.577). This finding suggests that using mother tongue in teaching and assessment may improve students' understanding and academic performance. The study's findings are consistent with previous research, and it is recommended that incorporating native languages in educational systems could improve academic achievement and performance. The study suggests that incorporating native languages in educational systems could improve academic achievement and performance.
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 | 0,025 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».