Mobilizing Instruction in a Second-Language Context: Learners’ Perceptions of Two Speech Technologies
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We report the results of two empirical studies that investigated the use of mobile text-to-speech synthesizers (TTS) and automatic speech recognition (ASR) as tools to promote the development of pronunciation skills in L2 French. Specifically, the study examined learners’ perceptions of the pedagogical use of these tools in learning a French segment (the vowel /y/, as in tu ‘you’) and a suprasegmental feature (across-word resyllabification/liaison, observed in petit enfant ‘small child’), in a mobile-assisted context. Our results indicate that, when used in a “learn anytime anywhere” mobile setting, the participants believe that they have: (1) increased and enhanced access to input; and (2) multiple opportunities for speech output and (3) for the development of prediction skills. Interestingly, these findings meet the requirements for successful L2 learning, one that recommends the inclusion of pedagogical activities that promote exposure to input (Nation & Newton 2009), multiple opportunities for output (Swain 1995), and the development of prediction skills (Dickerson 2015) to foster learner autonomy and, consequently, to maximize classroom time by extending the reach of the classroom. Our findings also indicate that participants recognize the pedagogical importance of TTS and ASR, and enjoy the mobile-enhanced learning environment afforded by these two technologies.
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.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle