MétaCan
Menu
Retour à la cohorte
Enregistrement W2278943012 · doi:10.5539/elt.v9n3p248

Using Movies in EFL Classrooms: A Study Conducted at the English Language Institute (ELI), King Abdul-Aziz University

2016· article· en· W2278943012 sur OpenAlexvenueno aff
Raniah Kabooha

Notice bibliographique

RevueEnglish Language Teaching · 2016
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueSubtitles and Audiovisual Media
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPsychologyPerceptionEnglish languageMathematics educationForeign languageEnglish as a foreign languagePedagogy

Résumé

récupéré en direct d'OpenAlex

The present study sought to examine the attitudes of Saudi English as a foreign language (EFL) learners as well as teachers towards the integration of English movies in their classes as a tool to develop students’ language skills. Fifty female intermediate level students studying English in their Preparatory Year Program (PYP) in the English Language Institute (ELI) at King Abdul-Aziz University (KAU), Jeddah, Saudi Arabia, participated in the study. Questionnaires were administered to the students to investigate their perceptions towards the integration of English movies in their classes to develop their language skills. The researcher also conducted semi-structured interviews with both students and teachers to explore their perceptions towards the use of movies in their classes. In addition, teachers were required to write reflective journals regarding the use of movies in their classes. The findings of the study indicate that both students as well as teachers had positive attitudes towards the use of movies in their classes to improve students’ language skills. The study offers pedagogical implications for EFL instructors with respect to the integration of films in their classrooms to improve students’ language learning. Well-selected movie materials could enhance students’ language learning process and increase their motivation to learn the target language.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0030,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,040
Tête enseignante GPT0,270
Écart entre enseignants0,230 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations101
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnglish Language TeachingMême sujetSubtitles and Audiovisual MediaTravaux en français237 207